Traduzido do Inglês para o Português - www.onlinedoctranslator.

com

Ciência SIG e Sensoriamento Remoto

ISSN: 1548-1603 (Impresso) 1943-7226 (Online) Página inicial do jornal:https://www.tandfonline.com/loi/tgrs20

Estimativa de qualidade da água baseada em aprendizado

profundo e detecção de anomalias usando a constelação virtual
Landsat-8/Sentinel-2 e computação em nuvem

Kyle T. Peterson, Vasit Sagan e John J. Sloan

Para citar este artigo:Kyle T. Peterson, Vasit Sagan e John J. Sloan (2020) Estimativa de qualidade da
água baseada em aprendizado profundo e detecção de anomalias usando constelação virtual Landsat-8/
Sentinel-2 e computação em nuvem, GIScience & Remote Sensing, 57:4, 510-525, DOI:
10.1080/15481603.2020.1738061

Para vincular a este artigo:https://doi.org/10.1080/15481603.2020.1738061

Publicado on-line: 13 de março de 2020.

Envie seu artigo para esta revista

Visualizações do artigo: 1898

Ver artigos relacionados

Ver dados de marca cruzada

Artigos citando: 40 Ver artigos citando

Os Termos e Condições completos de acesso e uso podem ser encontrados em

https://www.tandfonline.com/action/journalInformation?journalCode=tgrs20
GISCIENCE & REMOTE SENSING 2020, VOL. 57, Nº.
4, 510–525 https://doi.org/
10.1080/15481603.2020.1738061

Estimativa de qualidade da água baseada em aprendizado profundo e detecção de anomalias

usando a constelação virtual Landsat-8/Sentinel-2 e computação em nuvem
Kyle T. Petersonuma, Vasit Sagan a, b e John J. Sloan c

Departamento de Ciências da Terra e Atmosféricas, Saint Louis University, Saint Louis, MO, EUA;bInstituto Geoespacial, Universidade de Saint
uma

Louis, Saint Louis, MO, EUA;cNational Great Rivers Research and Education Center, East Alton, IL, EUA

ABSTRATO HISTORIA DO ARTIGO

O monitoramento da qualidade das águas interiores é de grande importância devido ao aumento das Recebido em 1 de setembro de 2019

questões relacionadas à qualidade da água, especialmente no meio-oeste dos Estados Unidos. As Aceito em 28 de fevereiro de 2020

técnicas tradicionais de monitoramento, embora altamente precisas, são muito insuficientes em termos
PALAVRAS-CHAVE
de cobertura espacial e temporal. Usando uma constelação virtual harmonizando os dados do Landsat-8 Aprendizagem profunda; qualidade da
e do Sentinel-2, um conjunto de dados de alta frequência temporal pode ser criado em uma escala água; constelação virtual;
espacial relativamente fina. Neste estudo, aplicamos um novo método de aprendizado profundo para a detecção de anomalia
estimativa de algas verde-azuladas (BGA), clorofila-α (Chl), matéria orgânica dissolvida fluorescente
(fDOM), oxigênio dissolvido (DO), condutância específica (SC), e turbidez. O modelo desenvolvido é
avaliado em relação aos métodos de aprendizado de máquina previamente estudados e encontrado para
superar a regressão linear múltipla (MLR),2de 0,91 para BGA, 0,88, 0,89, 0,93, 0,87 e 0,84 para Chl, DO, SC
e turbidez, respectivamente. Este modelo é então aplicado a todos os dados disponíveis de 2013 a 2018 e
séries temporais para cada variável foram geradas para quatro corpos d'água selecionados. Em seguida,
usamos o método de detecção de anomalias Empirical Data Analytics (EDA) na série temporal para
identificar pontos de dados anormais. Após uma análise mais aprofundada, o método EDA identifica com
sucesso eventos anormais na qualidade da água. Nossos resultados também demonstram forte
correlação entre variáveis não opticamente ativas como SC com Chl e fDOM. A estrutura desenvolvida
neste estudo representa um método empírico eficiente e preciso para o monitoramento da qualidade
das águas interiores em escala regional.

1. Introdução
O monitoramento e avaliação tradicionais da qualidade da água
contam com medições in situ, coleta de amostras e análises
laboratoriais para medir indicadores relacionados às propriedades
físicas, químicas e biológicas do corpo d'água. Mais recentemente,
agências federais como o United States Geological Survey (USGS) e
a United States Environmental Protection Agency (USEPA),
juntamente com outros parceiros, estão desenvolvendo redes de
sensores que fornecem dados contínuos sobre a qualidade da
água em tempo quase real (Pellerin et al.2016). Métodos in situ,
como os descritos no guia de amostragem de qualidade da água
do USGS (Wilde et al.2014), que geralmente são muito precisos,
são, no entanto, bastante demorados, caros e fornecem dados
baseados em pontos que carecem de detalhes e cobertura
espaciais e temporais (Duan et al.2013). Devido a essas limitações,
os métodos tradicionais de monitoramento in situ carecem de
representatividade geral para os sistemas de águas interiores. Para
superar problemas relacionados à cobertura espacial e temporal, o
sensoriamento remoto tem sido reconhecido como uma solução
ideal, aproveitando as capacidades dos recentes aprimoramentos
de sensores e metodologias. O uso de sensoriamento remoto via
satélite
plataformas permite o monitoramento e investigação da
qualidade da água em escalas regional e global. As técnicas de
sensoriamento remoto permitem que a qualidade da água e a
saúde do ecossistema sejam inferidas por meio de variáveis
indicadoras como algas azuis (BGA), clorofila (Chl), matéria
orgânica dissolvida fluorescente (fDOM) e turbidez que
representam as condições biológicas e hidrológicas do corpo
d'água. Gholizadeh, Melesse e Reddi2016).
Fornecendo resolução espacial relativamente fina e resoluções
espectrais comparáveis, os satélites multiespectrais Landsat-8 e
Sentinel-2 oferecem uma oportunidade para o desenvolvimento de
uma constelação virtual única através da fusão de dados
multisenor. Ambas as plataformas contêm bandas costeiras
sobrepostas, azul, verde, vermelho, infravermelho próximo (NIR) e
duas bandas de infravermelho de ondas curtas (SWIR), tornando o
Landsat-8 e o Sentinel-2 capazes de monitorar uma variedade de
constituintes da qualidade da água (Pahlevan et al. .2014). A fusão
desses dois conjuntos de dados baseados em satélite permitiria
tempos de revisita de alta frequência de cerca de três dias (Li e Roy
2017) nas latitudes médias. O estudo exploratório recentemente
publicado por Pahlevan et al. (2019), mostrou que a união dos
dados do Landsat-8 e Sentinel-2 para criar

CONTATOVasit Sagan vasit.sagan@slu.edu

© 2020 Informa UK Limited, negociando como Taylor & Francis Group

um produto harmonizado é viável e pode ser aplicado a
investigações de sensoriamento remoto da qualidade da água.
Esse conjunto de dados multiespectrais harmonizado permitiria o
monitoramento quase contínuo de corpos d'água interiores e
forneceria informações cruciais para gestores de recursos hídricos,
limnologistas, hidrologistas e ecologistas aquáticos. O tempo de
revisita aprimorado fornecido pela harmonização do Landsat-8 e
Sentinel-2 é crucial para o monitoramento e avaliação da qualidade
da água, pois as condições das águas interiores podem variar
muito em um curto período de tempo.
Estudos recentes mostraram a eficácia de satélites
multiespectrais, incluindo dados Landsat-8 e Sentinel-2 para
estimativa de variáveis de qualidade da água. Kutser et ai. (
2016) mostrou a capacidade dos dados do Sentinel-2 para
estimar quantitativamente as concentrações de Chl, matéria
suspensa total (TSM) e matéria orgânica particulada suspensa
com um grau relativo de sucesso utilizando um algoritmo de
altura de pico em 705 nm e 783 nm. Toming et ai. (2016),
também exibiu a capacidade do Sentinel-2 para estimar Chl,
matéria orgânica dissolvida cromofórica (CDOM), carbono
orgânico dissolvido (DOC) e turbidez usando um método de
pico espectral semelhante. Vários outros estudos também
utilizaram algoritmos de razão de bandas para estimar várias
características da água do lago, variando de Chl, CDOM e
matéria suspensa à turbidez da água usando Landsat-8 (Lim e
Choi2015; Urbanski et ai.2016). Variáveis como BGA, Chl,
CDOM e outras que representam os constituintes opticamente
ativos de águas interiores têm sido bem exploradas por
pesquisadores, mas variáveis como oxigênio dissolvido (OD) e
condutância específica (SC) que não são opticamente ativos
não. Sendo não opticamente ativo, a estimativa de DO e SC
representa um desafio distinto para o sensoriamento remoto
(Dörnhöfer e Oppelt2016; Schaeffer et ai.2013). Para resolver
esta questão fundamental, a estimativa indireta de DO e SC
por meio de outras variáveis indicadoras pode servir como
uma solução viável.
Para criar modelos melhores, abordagens empíricas mais
sofisticadas usando redes neurais (Odermatt et al.2012) e métodos
de inversão baseados em física ganharam recentemente alguma
popularidade entre os pesquisadores. Algumas abordagens
baseadas em redes neurais (Doerffer e Schiller2007; Doerffer2008),
mostraram resultados promissores usando dados do MERIS,
provando ser transferíveis para alguns lagos e corpos d'água com
propriedades ópticas semelhantes. Embora muito trabalho tenha
se concentrado na estimativa de variáveis de qualidade da água,
quase todos os estudos não atingem alta precisão e são específicos
do local, muitas vezes aplicados a um único corpo de água. Embora
o aprendizado de máquina tenha se mostrado promissor para
superar esses problemas, as interações entre os constituintes da
água e a radiação solar são bastante complexas e apresentam um
desafio para a abordagem típica de aprendizado de máquina. Os
métodos de aprendizado profundo, no entanto, aprendem
relações estatísticas de ordem superior
GISCIÊNCIA E SENSOR REMOTO 511
(Roberto2014), muitas vezes superando as abordagens tradicionais
de estimativa e modelagem. Devido aos desafios únicos
apresentados na modelagem da qualidade da água, atenção
especial deve ser dada ao desenvolvimento do modelo. Aqui
propomos uma arquitetura de modelo de aprendizado profundo
personalizado, diminuindo progressivamente a rede neural
profunda (pDNN), projetada especificamente para modelagem de
qualidade de água baseada em satélite.
Ao incorporar o uso de uma constelação virtual Landsat-8/
Sentinel-2 e métodos de regressão de aprendizado profundo para
a estimativa das principais variáveis de qualidade da água,
pretendemos estabelecer um método altamente preciso e de
ponta para monitorar a qualidade da água interior em resoluções
temporais relativamente altas . Para criar uma metodologia
implantável e altamente eficiente, são empregados avanços
recentes na computação em nuvem, como o Google Earth Engine
(GEE) e a nuvem do Google. O GEE baseado em computação em
nuvem é uma ferramenta gratuita e imensamente poderosa para o
processamento de dados de satélite em escala global.
Os problemas de qualidade da água estão
associados a diversos fatores ambientais e
antropogênicos de natureza complexa, dificultando a
previsão de surtos iminentes. Além de estimar a
quantidade de indicadores de qualidade da água,
detectar mudanças e anomalias nessas variáveis em
comparação com a média de longo prazo (por
exemplo, picos repentinos, diminuições ou níveis
anormais de variáveis críticas de qualidade da água)
e surtos históricos fornece maior confiança na
previsão da qualidade da água questões. A detecção
de anomalias neste estudo é utilizada e aplicada a
todas as variáveis para servir como um sistema de
monitoramento da qualidade da água e, assim,
capturar tendências relacionadas a uma série de
propriedades biofísicas. Ao incorporar um sistema
de detecção de anomalias para uma série de
variáveis de qualidade da água, podem ser
identificadas mudanças distintas das médias
temporais e sazonais. Neste estudo,
2. Materiais e métodos
2.1. Área de estudo
A área de estudo (figura 1.) para esta pesquisa se
concentra em vários corpos d'água contidos no meio-oeste
dos Estados Unidos.
Os locais de amostragem para observações da qualidade da
água no solo foram localizados ao longo de dois trechos do
alto rio Mississippi em Wisconsin e dois lagos localizados no
centro de Illinois para obter uma variedade de condições
hidrológicas e atmosféricas em uma escala regional. o
512 KT PETERSON ET AL.
Figura 1.Mapa dos locais de estudo exibindo os corpos d'água selecionados e os correspondentes locais de monitoramento da Rede de Observação
Ecológica dos Grandes Rios (GREON). (Consulte a versão online para cores)
dois locais de amostragem localizados ao longo do rio
Mississippi foram localizados perto de La Crosse e
Stoddard, Wisconsin. A bóia La Crosse Great Rivers
Ecological Observation Network (GREON) localizada ao
longo do alto rio Mississippi está situada no meio do
córrego e monitora o fluxo de água perto do meio do canal
do córrego. A unidade Stoddard GREON implantada cerca
de 10 milhas a jusante de La Crosse está localizada em
remanso e protegida por molhes ao norte e oeste. Isso cria
águas rasas e lentas que tendem a exacerbar o
crescimento de algas.
Os dois reservatórios localizados no centro de Illinois
incluídos neste estudo foram o Lago Decatur e o Lago Carlyle.
Localizada ao longo do rio Sangamon, a bacia hidrográfica do
Lago Decatur abrange uma área de 2.396 km2e é dominado
pela agricultura cultivada. Recentemente, o Lago Decatur
passou por extensos problemas relacionados ao assoreamento
devido à erosão do solo e aumento dos níveis de compostos de
nitrogênio e fósforo devido ao escoamento agrícola contendo
fertilizantes e resíduos animais (Kohler, Sheehan e Sweatman
1993). Carlyle Lake também localizado
no centro de Illinois, é um dos dois grandes reservatórios ao
longo do rio Kaskaskia e tem uma superfície total de 105 km2
e profundidade média de 3,4 m (Romano et al.2009). Situada
dentro da bacia hidrográfica de Kaskaskia, a área circundante é
predominantemente agrícola (67%), composta principalmente por
campos de milho e soja (Chiang et al.2012). Devido ao alto impacto
da lavoura agrícola e drenagem de telhas no centro de Illinois,
tanto o Lago Decatur quanto o Lago Carlyle oferecem condições
ideais para o crescimento de algas e problemas relacionados
devido a uma superabundância de nitrogênio e fósforo
combinados com profundidades rasas, águas superficiais calmas e
águas quentes temperaturas (Pearce, Chambers e Hasenmueller
2017).
2.2. Dados de satélite
Usando a plataforma de computação em nuvem Google Earth
Engine (GEE), os conjuntos de dados Landsat-8 e Sentinel-2 foram
obtidos e processados para o período entre abril de 2015 e
outubro de 2018. A filtragem e o mascaramento de nuvem são
realizados primeiro usando a qualidade de pixel fornecida

bandas de garantia (QA) para selecionar apenas pixels
contendo água livre de nuvens. Um filtro de desvio padrão
(Pereira et al. 2018) é então aplicado às imagens para filtrar os
navios que passam e/ou as unidades GREON implantadas na
área de estudo. Os conjuntos de dados resultantes contendo
dados Landsat-8 Nível-1 T e Sentinel-2 Nível-1 C são usados
neste estudo para aumentar a resolução temporal e criar um
conjunto de dados multiespectrais Landsat-8-Sentinel-2
harmonizado (descrito posteriormente). Este produto de dados
harmonizado é baseado na estrutura estabelecida por Claverie
et al. (2018). O projeto harmonizado Landsat-8 e Sentinel-2
(HLS) é uma iniciativa da NASA para produzir uma constelação
virtual de dados de refletância de superfície das plataformas
de satélite Landsat-8 e Sentinel-2. Com o HLS, um tempo de
revisita temporal de 3 dias é alcançado em uma resolução
espacial relativamente fina de 30 m (Pahlevan et al.2019).
A metodologia HLS (Figura 2), começando com Landsat-8
nível 1-T (L1-T), é primeiro corrigido atmosfericamente
seguindo o Land Surface Reflectance Code (LaSRC)
desenvolvido por Vermote et al. (2016). Os dados do Sentinel-2
Nível 1-C (L1-C) são processados simultaneamente usando a
metodologia Sen2Cor (Louis et al.2016) para calcular a
refletância da superfície. Os dados são então mascarados para
valores que indicam nuvens, sombra adjacente e sombra de
nuvem usando o procedimento CFmask adotado de (Zhu,
Wang e Woodcock2015). Isso pode introduzir pequenos erros,
pois o produto final da refletância da superfície pode conter
contribuições da refletância especular (brilho) na superfície da
água. Os dados do Sentinel-2 são então reamostrados para
uma resolução espacial de 30 m e os dois produtos são
registrados geograficamente. Uma refletância bidirecional
Figura 2.Fluxo de trabalho de pré-processamento de dados de satélite conforme definido pelo algoritmo científico HLS da NASA. S-30 MSI e L-30 OLI representam os produtos
de dados harmonizados finais com resolução espacial de 30 m. Modificado de Claverie et al. (2018). (Consulte a versão online para cores)
GISCIÊNCIA E SENSOR REMOTO 513
A normalização da função de distribuição (BRDF) é então
aplicada a cada conjunto de dados que é usado para
compensar a refletância anisotrópica da superfície da Terra
que varia com base no ângulo do zênite solar e no ângulo de
visão do local alvo. Um ajuste de passagem de banda é então
usado para explicar pequenas diferenças espectrais dentro de
regiões de banda sobrepostas (Claverie et al. 2018). As
passagens de banda Landsat-8 são usadas como referência, às
quais as bandas espectrais do Sentinel-2 são ajustadas usando
um ajuste linear definido por Claverie et al. (2018) entre
bandas espectrais equivalentes.
Os produtos de dados resultantes S-30 MSI e L-30 OLI contêm
valores de refletância de superfície totalmente corrigidos para as
sete bandas sobrepostas e são praticamente idênticos em termos
de resposta espectral e resolução espacial. Isso cria o potencial de
uso sinérgico das duas fontes de dados de satélite e oportunidades
sem precedentes para observação oportuna e precisa do status e
da dinâmica da Terra (Claverie et al.2018). Uma descrição
detalhada da metodologia de processamento HLS pode ser
encontrada em Claverie et al. (2017). Os dados HLS usados para o
processo de modelagem foram ainda mascarados para extrair
apenas as áreas ao redor das estações de monitoramento GREON.
Uma área de amostragem representando uma região de 90 × 90 m
(3 x 3 pixels) é criada para cada local e os valores médios de
refletância são calculados e usados como dados espectrais de
entrada para o processo de modelagem. Essas áreas de
amostragem foram demarcadas manualmente para diminuir os
problemas relacionados aos efeitos de adjacência. O banco de
dados de imagens HLS resultante gerou 84 cenas totais para
Carlyle Lake, 89 para Lake Decatur, 74 para La Crosse e 61 para
Stoddard, variando de 1º de abril
514 KT PETERSON ET AL.
2013 a 18 de outubro de 2018. O banco de dados resultante de
imagens HLS continha 244 cenas do Landsat-8 e 63 do Sentinel-2
(em operação desde junho de 2015). O número total de cenas e a
frequência temporal do conjunto de dados são limitados devido à
cobertura de nuvens e aos efeitos atmosféricos, reduzindo o banco
de dados em ~35%.
2.3. Dados de qualidade da água
As informações sobre a qualidade da água utilizadas neste estudo
foram obtidas e fornecidas pelo National Great Rivers Research
and Education Center (NGRREC). Desenvolvido pelo NGRREC em
2013, a Rede de Observação Ecológica dos Grandes Rios (GREON)
foi estabelecida como um sistema de plataformas de
monitoramento da qualidade da água em tempo real no Centro-
Oeste e na bacia do rio Mississippi. Em colaboração com a YSI Inc.
as unidades GREON (Figura 3) são projetados para monitorar
continuamente a qualidade da água usando tecnologia de
sensores de última geração montados em uma plataforma
flutuante, fornecendo um conjunto de parâmetros relacionados à
qualidade da água e ao clima, incluindo temperatura da água,
condutividade específica (SC), oxigênio dissolvido (OD), turbidez,
clorofila (Chl), biomassa de algas verde-azuladas (BGA) e matéria
orgânica dissolvida fluorescente (fDOM) representando a fração de
CDOM que fluoresce. Embora este sensor forneça uma riqueza de
dados contínuos, as unidades usadas para fDOM (QSU) e turbidez
(FNU) são diferentes daquelas usadas em testes laboratoriais
padrão. Assim, é difícil fazer uma comparação direta de resultados
baseados em satélite derivados de dados de calibração GREON
com outros dados baseados em terra.
As quatro unidades GREON selecionadas usadas neste
estudo forneceram dados in situ de abril de 2013 a outubro de
2018. Os dados correspondentes às datas de ultrapassagem
das imagens HLS foram analisados e reunidos no par.
Figura 3.Imagens das bóias de monitoramento de campo NGRREC GREON. A rede GREON está implantada em vários corpos d'água no meio-oeste
dos Estados Unidos e reúne continuamente uma série de medições de qualidade da água. (Consulte a versão online para cores).
banco de dados de reflectância-qualidade da água. Isso gerou um
total de 97 dias de pares de reflectância-qualidade da água
correspondentes. Exibido emtabela 1. são as estatísticas resumidas
dos dados de qualidade da água usados neste estudo. Todos os
dados obtidos da rede GREON estão disponíveis publicamente e
gratuitamente através dos Grandes Lagos ao Golfo (GLTG℠)
Observatório Virtual (https://greatlakestogulf.org).
Com o uso de fusão de dados multissensor, fomos capazes de
produzir e utilizar um produto de dados harmonizado para Landsat-8 e
Sentinel-2, levando a um aumento significativo na resolução temporal
para os locais de estudo fornecidos. Utilizando o conjunto de dados
HLS, imagens para um total de 307 cenas livres de nuvens foram
geradas para as áreas de interesse montando 244 cenas do Landsat-8 e
63 do Sentinel-2. A extensão do intervalo temporal do estudo de 2013 a
2018 gerou um número muito maior de cenas para o Landsat-8 do que
o Sentinel-2, que não foi lançado até junho de 2015. O processo de
filtragem pretendia remover a cobertura de nuvens e selecionar pixels
somente de água também levam ao menor número de cenas totais e
continua sendo uma limitação inerente ao sensoriamento remoto por
satélite óptico. Embora esses problemas limitassem o número total de
cenas e a resolução temporal do conjunto de dados HLS, ele ainda
apresentou melhorias em relação ao uso de um único sensor,
melhorando significativamente o tempo de revisita. Aumentando o
tempo de revisita por meio da fusão de dados multissensor, uma
capacidade de monitoramento aprimorada é habilitada e pode ajudar a
aprofundar nosso conhecimento da dinâmica da qualidade da água
para áreas do interior.
2.4. Modelagem da Qualidade da Água
O processo de modelagem da qualidade da água é realizado em
várias etapas, começando com a montagem do conjunto de dados
de refletância da qualidade da água. Utilizando esses dados, um
 GISCIÊNCIA E SENSOR REMOTO 515

Tabela 1.Estatísticas resumidas dos dados de qualidade da água usados Mesa 2.Lista das características espectrais derivadas do conjunto de dados
para o processo de modelagem. *Duas amostras contendo medições SC HLS.
inválidas foram removidas, reduzindo o banco de dados SC para 95 amostras. Recurso Espectral Fórmula
Costeiro HLS Banda 1
BGA Chl FAZ fDOM SC (EUA/ Turbidez Azul Banda HLS 2
(ug/L) (mg/L) (mg/L) (QSU) cm) (UNF) Verde Banda HLS 3
Banda HLS 4
n 97 97 97 97 95* 97 Vermelho

significa 2.2 17,4 6,0 64,3 419,4 16,8 NIR Banda HLS 5
RODA 1 Banda HLS 6
min 0,1 0,6 0,1 0,3 247,9 2,0
RODA 2 Banda HLS 7
máximo 9.3 74,4 19,7 156,2 654,8 131,1
Proporção de Verde e Vermelho
Padrão desenvolvedor 2.3 17,4 4,9 38,7 109,0 15.2 Verde/Vermelho

Proporção de Verde e Azul Azul esverdeado

variação 5,1 301,1 23,5 1498,4 12.408,8 230,2
Proporção de Vermelho e NIR Vermelho/NIR

Proporção de Vermelho para Azul Vermelho azul

Proporção de Vermelho e Verde Vermelho verde

NGRDI (Verde-Vermelho)/(Verde+Vermelho) (NIR-

É compilado um conjunto de dados pareado contendo Clorofila de Diferença Normalizada Vermelho)/(NIR+Vermelho)

medições de qualidade de água in situ sobrepostas obtidas do Índice (NDCI)

Verde mais Vermelho dividido por 2 Verde+Vermelho/2
sistema de monitoramento GREON e informações de Proporção de Vermelho e Verde mais NIR Vermelho/Verde+NIR

refletância espectral correspondentes derivadas da Diferença normalizada NIR e SWIR 1 (NIR-SWIR 1)/(NIR+SWIR 1)
Diferença normalizada Verde e NIR (Verde-NIR)/(Verde+NIR) (SWIR 1-
constelação virtual Landsat-8-Sentinel-2. Este conjunto de Diferença normalizada SWIR 1 e SWIR 2)/(SWIR 1-SWIR 2)
dados continha 97 amostras representando 37 amostras RODA 2
Diferença normalizada Verde e (Verde-SWIR 1)/(Verde+SWIR 1)
coletadas de locais GREON ao longo do rio Mississippi, 28 do
RODA 1
lago Carlyle e 32 do lago Decatur. Duas amostras estranhas
contendo valores incomumente baixos foram removidas do
banco de dados SC para evitar problemas no processo de regressão de mínimos quadrados parciais (PLSR) e regressão de
modelagem. Os dados são particionados aleatoriamente 60% máquina de vetor de suporte (SVR), para citar alguns, têm sido
para treinamento e 40% para teste. amplamente empregadas para estudos baseados em qualidade da
água e demonstraram modelar com precisão relações de nível baixo a

2.4.1. Extração de recursos médio relativamente bem (Ryan e Todos2016; Wang et ai.2017; Rokni et

Para complementar as sete bandas espectrais HLS brutas, uma ai.2015). Em contraste, os modelos de aprendizado profundo podem

série de características espectrais adicionais são extraídas para conter muitos níveis de camadas de processamento que permitem que

adicionar informações importantes com base nas razões de uma rica variedade de relacionamentos complexos, não lineares e de

banda padrão (Dekker, Malthus e Seyhan1991; Doxoran, alto nível sejam aprendidos a partir dos dados fornecidos (Schmidhuber

Froidefond e Castaing2003; Lathrop e Lillesand1989; Odermatt 2015). O aprendizado profundo é uma das tendências de crescimento

et ai.2012; Ritchie, Zimba e Everitt2003; Sudheer, Chaubey e mais rápido em vários campos relacionados ao sensoriamento remoto e

Garg2006; Svab et ai.2005) e as propriedades biofísicas dos representa um grande avanço para big data e análise de sensoriamento

constituintes da qualidade da água. A aritmética/razões de remoto (Van Der Woerd e Pasterkamp2008; Zhang, Zhang e Du2016). O

banda, como as calculadas, fazem uso de associações aprendizado profundo é fundamentalmente baseado em redes neurais

conhecidas entre um determinado parâmetro de qualidade da (RNs), que em sua forma básica consistem em estruturas de neurônios

água e uma ou mais bandas espectrais que são sensíveis à totalmente conectados que aplicam uma função não paramétrica à

propriedade óptica desejada. Exibido emmesa 2. é a lista saída de um problema de regressão linear.

abrangente de recursos espectrais criados a partir do conjunto
de dados HLS. Isso produz um total de 21 recursos de previsão
que representam as características de refletância espectral de
uma determinada área de amostragem.
Um dos principais objetivos desta pesquisa é avaliar a utilidade do
aprendizado profundo em aplicações de sensoriamento remoto da
qualidade da água, uma vez que nenhum trabalho anterior ao nosso
conhecimento utilizou essa abordagem. A forma mais comumente
empregada de um NN é o modelo feedforward. Nesta abordagem de

2.4.2. Diminuição progressiva da rede neural profunda aprendizado supervisionado, as informações são transmitidas ao longo

(pDNN) da rede sem loop. Primeiro, as informações passam pelos nós de

Uma variedade de métodos e abordagens de regressão baseados em entrada e depois por uma série de nós ocultos que recebem um

aprendizado de máquina são explorados neste estudo para estimar conjunto de entradas ponderadas e produzem uma saída por meio de

quantitativamente as variáveis de qualidade da água a partir dos dados de uma função de ativação especificada. O modelo feedforward usa um

refletância HLS. Os métodos tradicionais de aprendizado de máquina ou conjunto de pares de entrada correspondentes do conjunto de dados

paradigmas “rasos” geralmente incluem estágios de processamento de treinamento contendo Nvetores de entrada, com o correspondenteN

limitados que conectam os dados de entrada à previsão, por exemplo, valores de saída (Hornik, Stinchcombe e White1989). Neste estudo,

aprimoramento de dados, extração de recursos e, em seguida, regressão. implementamos um sistema neural de feedforward profundo

Esses métodos, incluindo regressão linear múltipla (MLR), totalmente conectado

516 KT PETERSON ET AL.
rede contendo uma única camada de entrada, seis camadas
ocultas com uma largura progressivamente decrescente (número
de nós de processamento) e uma única camada de saída
(regressão). Para determinar a profundidade do modelo (número
de camadas ocultas) e complexidade (nós de processamento), é
utilizada uma abordagem de aprendizado adaptativo que começa
com uma única camada oculta e um único nó de processamento.
Através da iteração, o número de nós é aumentado
exponencialmente junto com o número de camadas até que não
haja mais melhoria. Esta rede utiliza retropropagação de
regularização Bayesiana (MacKay1992) juntamente com a função
de desempenho de erro normalizado quadrático médio (MSE) para
otimizar os parâmetros do modelo e a função de ativação sigmóide
tangente hiperbólica para cada camada oculta. A arquitetura geral
da rede neural profunda progressivamente decrescente (pDNN) é
exibida emFigura 4.
Técnicas tradicionais de aprendizado de máquina, como MLR,
SVR e regressão de máquina de aprendizado extremo (ELR),
também foram aplicadas ao conjunto de dados para avaliar os
resultados do pDNN. Essas técnicas foram escolhidas para avaliar a
rede profunda desenvolvida contra métodos lineares (MLR) e não
lineares (SVR e ELR). MLR é um modelo simplista que tenta modelar
a relação entre duas ou mais variáveis explicativas e uma variável
de resposta ajustando uma equação linear aos dados observados
(Andrews 1974). SVR é um método de aprendizado de máquina
popular para regressão, identificado pela primeira vez por Vapnik (
1995) e é considerada uma técnica não paramétrica porque
depende de funções do kernel. O modelo SVR utilizado neste
estudo emprega uma função de kernel linear e usa otimização
mínima sequencial
Figura 4.Um modelo visualizado representando a rede neural profunda progressivamente decrescente (pDNN). O pDNN recebe uma determinada entrada Xeu
representando os recursos espectrais do conjunto de dados HLS e, em seguida, é alimentado em uma série de seis camadas ocultas e produz uma
saída preditiva final Yeu. Neste diagramaWrepresenta a variável de peso aplicada às interconexões entre os neurônios. (Consulte a versão online para
cores).
(Schölkopf e Smola2001) para resolver a programação
quadrática. Para representar uma técnica de aprendizagem
superficial de ponta, a ELR também é testada. Como o pDNN, o
ELR é uma rede neural feedforward, mas contém uma única
camada oculta. No estudo anterior de Peterson et al. (2018a)
ELR foi encontrado para superar PLSR, SVR e outras
arquiteturas NN rasas quando aplicado à estimativa de
variáveis de qualidade da água a partir de dados de satélite.
O método ELR gera e atualiza automaticamente os pesos da
camada oculta sem otimização iterativa, levando a um tempo
computacional significativamente menor e aproximações
robustas (Huang, Zhu e Siew2006). Huang, Zhu e Siew (2006)
fornecem uma descrição detalhada do método ELR e sua
formulação matemática. Os resultados das técnicas de
modelagem são avaliados usando o coeficiente de
determinação (R2), erro quadrático médio (RMSE) e erro
percentual médio absoluto (MAPE). Todas as técnicas de
modelagem de regressão conduzidas neste estudo são
implementadas em uma máquina local usando a biblioteca
padrão do MATLAB 2018b, com exceção do ELR, que pode ser
baixado dehttp://www.ntu.edu.sg/home/egbhuang/
elm_codes.html. A modelagem de regressão e a análise
seguinte são conduzidas fora da plataforma GEE devido a
limitações algorítmicas na biblioteca fornecida pelo GEE.
2.4.3. Detecção de anomalia
A detecção e identificação de valores anômalos em um conjunto de
dados é um aspecto importante dos eventos do mundo real e
representa um desvio dos padrões normais ou esperados. A
capacidade de identificar níveis anômalos de água

variáveis de qualidade como BGA, Chl, DO, fDOM, SC e turbidez
podem aumentar a capacidade dos tomadores de decisão de
responder a questões de qualidade da água e aumentar nossa
compreensão da hidrodinâmica interior. Aqui implementamos um
método autônomo de detecção de anomalias baseado no
framework Empirical Data Analytics (EDA) proposto por Angelov et
al. (2016). A abordagem baseada em EDA é uma técnica totalmente
orientada a dados utilizando três estimadores não paramétricos:
proximidade cumulativa, densidade unimodal e densidade
multimodal (Angelov et al.2016; Gu e Angelov2017) para identificar
possíveis anomalias. A proximidade acumulada (P)pode ser
descrito como a forma quadrada de distância entre pontos em um
conjunto de dados (Angelov 2014). Proximidade cumulativa emxeué
expresso como:
XK --
QðxeuÞ ¼ x j ;
d2x; eu
j¼1
onde denota a distância ou dissimilaridade entre os pontos
de dados e enquantoKsignifica número de pontos de dados.
Representando um indicador do inverso da excentricidade
padronizada (Angelov et al.2016), densidade unimodal (P)é
denotado como:
PK PK 2
--
j¼1q Kðxeuº j¼1d xj;xk
DKðxeuÞ ¼ εK-1ðxÞeu
¼ ¼ PK - -;
2KqKðxeuº 2K j¼1d 2xj;xk
Onde≤ (P)≤1. Além disso, a densidade multimodal (DG) em um
determinado ponto de dadosvocêeu,é definido como a combinação
da densidade unimodal ponderada pela frequência
correspondente de ocorrência do ponto de dadosfeu.
Isso é indicado como:
PK PK --
j¼1Pk¼1d2xj;xk
DGðvocê
K euÞ ¼feuDKðvocêeuÞ ¼feu --:
2K Kj¼1d2xj;xk
A densidade multimodal combina informações sobre as
frequências de ocorrência para cada ponto de dados e sua
localização no espaço de dados dado.
O uso desses estimadores revela tendências
subjacentes e identifica anomalias com base na
distribuição e atributos coletivos de um determinado
conjunto de dados, além de levar em consideração a
frequência de ocorrências (Angelov et al.2016). O método
EDA é aplicado em duas etapas: (1) detecção de possíveis
anomalias usando os estimadores e (2) identificação de
anomalias locais após a formação de possíveis nuvens de
dados (Angelov e Yager2011) das anomalias potenciais
(Angelov et al.2016). Esta abordagem foi comparada com a
“3σ” (Thomas e Balakrishnan2009) e detecção de outliers
usando passeios aleatórios (ODRW) (Moonesinghe e Tan
2006) e provou ser um método mais preciso e objetivo para
detecção de anomalias, sendo igualmente eficaz na
identificação de anomalias globais e locais
GISCIÊNCIA E SENSOR REMOTO 517
(Angelov et ai.2016). A detecção da anomalia é realizada
nos dados baixados gerados a partir dos resultados da
modelagem de regressão.
3. Resultados
3.1. Resultados da modelagem de regressão
Os resultados da modelagem de regressão são exibidos em Tabela
3. Como esperado, os modelos com as maiores correlações globais
e menores RMSE e MAPE foram gerados pelo método pDNN. O
método pDNN se mostrou bastante robusto gerando R2valores
superiores a 0,83 para todas as variáveis com uma média de 0,89
em todos os parâmetros de qualidade de água fornecidos quando
aplicados ao conjunto de dados de teste.
(1) O método pDNN mostrou melhora significativa em relação
todas as outras técnicas de modelagem com ELR produzindo as
segundas correlações mais altas com um teste médio R2de 0,78 em
todas as variáveis. O método pDNN apresentou um aumento
médio de 13,28% sobre o método ELR, 27,63% sobre SVR e 84,22%
sobre MLR quando avaliado usando R2para o conjunto de dados de
teste. O método SVR apresentou correlações ligeiramente
inferiores aos modelos ELR, enquanto o MLR gerou as menores
acurácias em todos os casos. Por variável, os melhores resultados
foram vistos ao estimar as concentrações de fDOM
(2) seguido por BGA, DO, Chl, SC e turbidez, respectivamente. Quando avaliados
pelo RMSE e MAPE os resultados espelharam o R2valores que
comprovam que o método pDNN é superior à regressão linear e aos
métodos tradicionais de aprendizado de máquina. O método pDNN
também exibiu um baixo grau de overfitting com apenas pequenas
diferenças entre os resultados de treinamento e teste. Isso é
significativo, dado o conjunto de dados relativamente pequeno (n <
100), que geralmente leva a problemas de overfitting, pois
(3) visto nos métodos comparativos (ELR, SVR e MLR)
avaliados neste estudo.
Os resultados plotados dos modelos pDNN para cada variável
são exibidos emFigura 5. Em geral, os modelos previram com
sucesso uma gama de concentrações variáveis. Conforme
mostrado pelos resultados, os modelos desenvolvidos para DO, SC
e turbidez apresentaram mais erros prevendo valores mais altos. O
modelo BGA, embora altamente preciso, também apresentou
algum erro ao estimar valores muito baixos que estavam
presentes nos dados de teste. No geral, os modelos gerados
capturaram com precisão uma faixa de valores altos e baixos em
todo o conjunto de dados de teste, especialmente Chl e fDOM,
demonstrando que o método pDNN fornece boas habilidades de
generalização e pode ser utilizado com precisão para estimar uma
variedade de variáveis de qualidade da água.
3.2. Resultados de detecção de anomalias
O melhor modelo geral (pDNN) desenvolvido para cada
variável da análise de regressão é então aplicado ao
518 KT PETERSON ET AL.

Tabela 3.Resultados da modelagem de regressão entre as características espectrais derivadas do HLS e os dados de qualidade da água da estação de monitoramento GREON

correspondente. Destacados em negrito estão os melhores resultados do modelo para cada sensor quando aplicados ao conjunto de dados de teste.

BGA (ug/L) Chl (mg/L) DO (mg/L) fDOM (QSU) SC (uS/cm) Turbidez (FNU)
MLR Treinamento R2 0,537 0,793 0,928 0,883 0,843 0,908
RMSE 1.437 12.372 13.654 13.666 48.242 5.429
MAPE 30.753 28.045 8.899 5.196 1.230 5.878
Teste R2 0,338 0,499 0,440 0,651 0,563 0,398
RMSE 1.986 7.912 3.309 21.951 62.296 7.169
MAPE 33.492 32.467 13.976 6.098 1.789 22.598
SVR Treinamento R2 0,874 0,784 0,902 0,877 0,901 0,821
RMSE 0,792 7.234 1.519 13.999 31.682 3.620
MAPE 22.576 28.557 9.208 4.891 0,879 8.876
Teste R2 0,701 0,584 0,805 0,656 0,744 0,679
RMSE 1.298 11.906 2.141 21.799 31.682 5.897
MAPE 28.223 31.489 12.265 6.278 1.267 14.556
ELR Treinamento R2 0,853 0,817 0,900 0,916 0,914 0,881
RMSE 0,810 7.023 1,535 9.295 29.273 3.308
MAPE 23.178 27.856 9.023 3.789 0,825 7.999
Teste R2 0,804 0,694 0,818 0,824 0,728 0,829
RMSE 1.080 10.283 2.070 19.136 66.566 8.586
MAPE 24.864 29.814 11.298 5.677 1.343 11.857
DN Treinamento R2 0,926 0,912 0,907 0,928 0,909 0,979
RMSE 0,838 7.309 2.059 14.422 46.994 3.962
MAPE 20.333 25.670 9.010 3.572 0,849 4.289
Teste R2 0,911 0,883 0,894 0,926 0,870 0,839
RMSE 0,863 7.561 1.806 14.496 48.463 5.190
MAPE 21,72 26,71 9.08 3.886 0,91 9,87

Figura 5.Gráficos dos valores de qualidade da água observados versus previstos ao aplicar o método pDNN ao conjunto de dados de teste. (Consulte a versão
online para cores).

todo o conjunto de dados de imagens HLS criando uma série
temporal de valores estimados de qualidade da água para todos os
quatro corpos d'água localizados dentro da área de estudo. Exibido
emFigura 6. são as concentrações estimadas de qualidade da água
de 2013 a 2018 ao aplicar o método pDNN a todo o conjunto de
dados HLS para cada local. Uma vez que a série temporal para cada
variável respectiva é gerada, o método de detecção de anomalia
EDA é aplicado a cada variável independentemente. Figura 6.
mostra os pontos de dados identificados como anomalias
destacado em vermelho junto com os dados de verdade do solo
disponíveis exibidos em roxo. Os valores estimados para a maioria
das variáveis de qualidade da água alinharam-se bem com os
dados reais observados, embora limitados. Os valores de BGA
estimados para as localizações de La Crosse e Stoddard
apresentaram algum erro, pois o modelo superou a previsão da
maioria dos dados observados. Isso provavelmente se deve aos
níveis extremamente baixos de BGA observados presentes em
ambos os locais, o que pode ser difícil de modelar.
 GISCIÊNCIA E SENSOR REMOTO 519

Figura 6.Séries temporais de variáveis de qualidade de água estimadas para as áreas de estudo selecionadas. Os valores estimados são para a área
de 90 m ao redor da estação de monitoramento GREON. Os pontos roxos indicam medições in situ registradas pela estação GREON. Os pontos de
dados que foram identificados como anômalos são destacados pelos círculos vermelhos. (Consulte a versão online para cores).

O exame dos resultados da detecção de anomalias exibiu
tendências sazonais e foram encontrados tempos semelhantes de
anomalias em todos os locais. A maioria das anomalias identificadas
ocorreu no período entre abril e outubro para todas as variáveis. As
tendências na BGA mostraram que as anomalias ocorreram com mais
frequência no mês de agosto, contendo seis das quatorze anomalias. As
tendências sazonais exibidas para fDOM tenderam a seguir BGA,
enquanto as anomalias identificadas coincidiram um número limitado
de vezes. Os resultados gerados para Chl e DO foram muito
semelhantes em todos os casos e seguiram uma tendência temporal
semelhante. Como visto nos resultados para as tendências de Carlyle,
Decatur e Stoddard em ambas as dinâmicas temporais de Chl e DO,
juntamente com anomalias de séries temporais geralmente alinhadas.
As séries temporais estimadas para SC espelharam de perto as
produzidas para BGA e fDOM (Figura 7) também produzindo tendências
temporais semelhantes em anomalias.
Finalmente, as anomalias de turbidez e suas tendências
temporais apresentaram resultados mistos, parecendo ter alguns
correlação com BGA, Chl e DO, tendo uma relação
inversa com fDOM e SC em quase todos os casos.
Para mostrar o método quantitativo de estimativa da
qualidade da água gerado neste estudo, várias cenas HLS que
coincidiram com anomalias identificadas foram selecionadas
para exibir as tendências espaciais e dados contínuos que
podem ser produzidos usando essa abordagem. Uma cena
para cada área de interesse foi selecionada com base nos
resultados do processo de detecção de anomalias.Figura 8 (a) é
a qualidade da água estimada para Carlyle Lake, IL em 15 de
setembro de 2017, onde foram detectados níveis anômalos de
BGA e SC. As cenas HLS também foram selecionadas para o
Lago Decatur em 4 de outubro de 2018 devido a anomalias
BGA e SC (Figura 8 (b)) e La Crosse em 4 de agosto de 2014
para níveis anômalos de BGA (Figura 8(c)). A cena final
selecionada foi para a locação de Stoddard (Figura 8(d)) em 25
de março de 2016, onde Chl, DO e turbidez foram identificados
como anomalias. Aplicando o pDNN treinado
520 KT PETERSON ET AL.

Figura 7.Resultados plotados das estimativas da variável de qualidade da água no período de 2013–2018. Os dados de todos os locais foram incluídos
na análise. Os resultados plotados indicam uma forte relação linear entre SC, fDOM e Chl. (Consulte a versão online para cores).

Figura 8.Mapas dos parâmetros estimados de qualidade da água para Carlyle Lake (a) em 15 de setembro de 2017, Lake Decatur (b) em 4 de outubro de 2018, La
Crosse (c) em 4 de agosto de 2014 e Stoddard (d) em 25 de março de 2016. (Consulte para a versão online para cores).

modelo para cada variável para as cenas selecionadas
produziu os mapas exibidos emFigura 8.
Dada a resolução espacial de 30 m dos dados HLS, os padrões
detalhados nas condições hidrológicas ficam claros e os padrões
espaciais podem ser identificados visualmente. Em uma breve
inspeção dos mapas de qualidade da água, fica claro que, dada a
ampla extensão espacial (ou seja, Carlyle, Decatur e La Crosse),
diferenças distintas podem ser encontradas com base na
localização. Por exemplo, emFigura 8 (a). há uma diferença notável
em quase todas as variáveis entre as porções norte e sul do Lago
Carlyle. Esse padrão semelhante está presente em todas as cenas
selecionadas. Por exemplo, isso também é aparente no Lago
Decatur (Figura 8(b)), onde os trechos norte e sul do lago mostram
diferenças significativas e para La Crosse e Stoddard, onde
barreiras artificiais dentro do rio criam diferenças claras nas
tendências da qualidade da água. A distribuição espacial das
variáveis de qualidade da água apoia ainda mais as descobertas e
tendências identificadas durante a análise de detecção de
anomalias. Mapas como esses apóiam a ideia de que informações
derivadas de sensoriamento remoto podem fornecer informações
aprimoradas sobre as tendências temporais e espaciais dinâmicas
nas concentrações bio-hidroquímicas, especialmente quando
comparadas às abordagens tradicionais baseadas no local.
4. Discussão
Empregando o conjunto de dados HLS fundido, uma nova
abordagem de aprendizado profundo foi testada para a
previsão de variáveis de qualidade da água nos locais de
estudo fornecidos. O método pDNN mostrou-se bastante
robusto gerando modelos altamente precisos para BGA com
um R2= 0,91, Chl = 0,88, DO = 0,89, fDOM = 0,93, SC = 0,87 e
turbidez = 0,84. Os resultados do método pDNN mostraram
grandes melhorias em relação às técnicas de regressão linear
(MLR) e de aprendizado de máquina tradicionais (rasas) (Tabela
3). Essa tendência que tem sido vista nos últimos anos como
métodos de regressão baseados em técnicas de aprendizado
de máquina (por exemplo, SVR, ELR, redes neurais) e, mais
recentemente, aprendizado profundo, tornaram-se atraentes
devido à sua robustez em uma variedade de aplicações (Lary et
ai.2016; Zhang, Zhang e Du2016; Zhu et ai.2017). Estudos
anteriores relacionados à previsão da qualidade da água em
áreas do interior (Peterson et al.2018a,2018b) geraram
resultados semelhantes provando que métodos não lineares
de alto nível e representações de dados podem ser mais
adequados para modelar as relações complexas entre os
constituintes da água e a refletância espectral. Adotar uma
abordagem de aprendizado profundo para modelar a
qualidade da água permite que um conjunto aninhado de
relacionamentos de ordem superior (exponencialmente maior,
dado o número de camadas ocultas) seja extraído do conjunto
de dados fornecido.
GISCIÊNCIA E SENSOR REMOTO 521
É provável que essas relações de nível superior permitam que
variáveis não opticamente ativas, como DO e SC, sejam previstas
com alta precisão neste estudo. Usando os recursos espectrais
extraídos para complementar as bandas HLS (mesa 2) as relações
de baixa (razões de bandas e camadas de processamento inicial) e
de alta ordem (resultantes das últimas camadas de processamento
de pDNN) podem ser aprendidas usando o método pDNN. Os
resultados suportam a hipótese de que existe uma série de
relações complexas entre variáveis não opticamente e
opticamente ativas. Por exemplo, o método MLR gerou R2valores
de 0,44 e 0,56 para DO e SC, enquanto pDNN resultou em R2
valores de 0,89 e 0,87 para DO e SC, respectivamente. Embora os
métodos de aprendizado profundo possam superar problemas
relacionados à modelagem da relação constituinte-refletância da
água, as interações biofísicas subjacentes não são totalmente
esclarecidas. A interpretabilidade dos resultados do modelo é uma
das principais questões em relação ao uso de alguns métodos de
aprendizado de máquina e aprendizado profundo em particular
(Lipton 2016). O uso de extração de recursos a priori, como neste
estudo, pode ajudar a limitar o escopo e o mistério da
interoperabilidade do modelo, selecionando recursos de entrada
com base no conhecimento especializado (Schmidhuber2015).
O método pDNN também apresentou boa capacidade de
generalização quando aplicado a uma faixa de concentrações
variáveis após ser treinado em um conjunto de dados limitado (n
< 100). O conjunto de dados de teste também continha amostras
de todos os quatro locais, apresentando um bom desempenho em
todos os corpos d'água abordados neste contexto. Como visto em
Figura 5, os modelos para Chl e fDOM parecem ter a melhor
capacidade de generalização, prevendo com precisão valores altos
e baixos. Os modelos desenvolvidos para DO, SC e turbidez tiveram
uma pequena dificuldade em predizer valores nas faixas mais
altas. Embora altamente preciso, o modelo BGA também
apresentou algum erro ao estimar valores muito baixos que
estavam presentes nos dados de teste. Esses erros na previsão são
provavelmente devido ao tamanho limitado do conjunto de dados
de treinamento usado neste estudo e podem ter sido distorcidos
pelo particionamento de dados e disponibilidade temporal das
medições de qualidade da água in situ. Isso é visto no caso do BGA,
onde uma grande quantidade de valores muito baixos estava
presente nos dados de teste. A força geral da capacidade de
generalização do modelo provavelmente se deve ao uso de quatro
áreas de estudo independentes em todo o Centro-Oeste. Os dados
de qualidade da água adquiridos neste estudo foram selecionados
de ambientes fluviais e de reservatórios ao longo de vários anos,
fornecendo uma imagem robusta das tendências regionais de
qualidade da água. Embora este modelo tenha um bom
desempenho nas áreas de estudo testadas, pode não ser aplicável
em outras regiões onde as condições hidrológicas e atmosféricas
diferem. A transferibilidade para outros corpos d'água fora do
estudo não foi abordada aqui, mas seria benéfica em pesquisas
futuras.
522 KT PETERSON ET AL.
Além da generalização da abordagem pDNN, houve também um
overfitting visivelmente menor quando comparado aos outros métodos.
O grau de overfitting muitas vezes pode estar relacionado a um número
muito alto de parâmetros treináveis dentro da rede. Várias etapas
foram tomadas no projeto da arquitetura pDNN para reduzir os
problemas de overfitting, incluindo a limitação do número de nós de
processamento em cada camada oculta, a utilização de paradas
antecipadas durante o treinamento do modelo e o uso de regularização
no paradigma de retropropagação, que provou reduzir sobreajuste do
modelo (Nielsen2015). Os dados também foram divididos
aleatoriamente em 60% para treinamento e 40% para teste para evitar
ainda mais problemas relacionados, devido ao tamanho da amostra
comparativamente menor. Portanto, os resultados deste estudo
comprovam que métodos de aprendizado profundo, dentro de um
contexto semelhante, podem servir como abordagens de modelagem
aprimoradas, especialmente quando aplicadas a variáveis que são
difíceis de modelar e contêm uma baixa relação sinal-ruído (Kang, Min e
Ye2017).
Aplicando o modelo desenvolvido ao conjunto de dados
HLS, as séries temporais para as concentrações estimadas
de qualidade da água em cada local foram geradas de 2013
a 2018 (Figura 6). Com os resultados das concentrações
estimadas de qualidade da água ao longo do tempo, o
método de detecção de anomalias EDA foi aplicado e
identificados valores anômalos para cada variável. O
método EDA é um método totalmente orientado a dados
(não supervisionado) e está livre de limites definidos pelo
usuário. No caso da qualidade da água, onde os limites
variáveis diferem por região ou não foram definidos
explicitamente, um método não supervisionado como o
EDA é o ideal. Essa abordagem representa um método
mais objetivo para detecção de anomalias e não se baseia
apenas na média global do conjunto de dados, mas inclui a
ideia de proximidade cumulativa, densidade unimodal e
densidade multimodal. O método EDA também incorpora a
distribuição mútua dos dados dentro do espaço de dados
juntamente com as frequências de ocorrências em
consideração. Desta forma, 2016; Gu e Angelov2017).
A série temporal gerada exibiu tendências sazonais e
tempo semelhante entre anomalias em todos os locais. A
grande maioria das anomalias identificadas ocorreu entre os
meses de abril e outubro. Além disso, a tendência mais notável
nos dados da série temporal foi a recorrência de anomalias
BGA no mês de agosto. Como é bem conhecido da literatura
anterior, o BGA tende a ver o maior crescimento durante os
meses de verão devido às temperaturas mais quentes da água,
condições de superfície calmas e maiores concentrações de
compostos de N e P resultantes da aplicação agrícola e
escoamento (Reavie et al.2014). Os dados da série temporal
também revelaram que o fDOM tendeu a seguir um padrão
semelhante ao BGA. Isso indica que o pigmento ficocianina
medido em 590 e
685 nm e a matéria orgânica não fotossintética medida por
fDOM a 480 nm foram correlacionadas. Tendências e
anomalias para Chl e DO também parecem se alinhar, o que é
apoiado por outras pesquisas que encontraram Chl e DO
correlacionados porque o DO é um produto de algas
fotossintetizantes (Wallace, Champagne e Hall2016). Séries
temporais e anomalias geradas para SC na maioria dos casos
espelharam os padrões Chl e fDOM.Figura 7mostra a forte
relação linear entre SC e fDOM juntamente com SC e Chl. Essas
relações exibidas entre SC, fDOM e Chl apoiam ainda mais a
ideia de que SC é provavelmente estimado indiretamente por
meio de constituintes ópticos. Por último, a turbidez
apresentou resultados mistos demonstrando relações fracas
com Chl e uma relação inversa com BGA, fDOM e SC.
Dependendo dos níveis de matéria inorgânica e orgânica
presentes, a turbidez pode ter um efeito variável em variáveis
como BGA, fDOM, DO e SC, gerando assim relações mistas ao
longo do tempo.
No geral, a aplicação do método de estimativa da qualidade da
água desenvolvido nos quatro casos de teste selecionados
demonstrou a eficácia para quantificar e visualizar as tendências
espaciais para uma série de variáveis. Este estudo representa o
potencial de monitoramento de frequência temporal mais alta ao
utilizar dados multissensor, como o produto HLS. A implementação
dessas técnicas em um ambiente de computação em nuvem
expandiria ainda mais os recursos práticos reduzindo as barreiras
de implementação, como recursos de computação e
disponibilidade de dados. Estudos anteriores identificaram
questões relacionadas à transferibilidade regional, mas como
observado em Dörnhöfer e Oppelt (2016) e Schaeffer et al. (2013)
os gestores de recursos hídricos geralmente preferem modelos
desenvolvidos regionalmente, pois podem produzir estimativas
com precisão acionável quando comparados aos modelos
analíticos/globais. Incorporando a análise de séries temporais e
detecção de anomalias em fluxos de trabalho como esses, pode ser
alcançado um melhor entendimento da dinâmica complexa das
águas interiores, como o desenvolvimento de proliferação de algas
nocivas. O uso de um sistema automatizado baseado em nuvem,
empregando as técnicas definidas neste estudo, poderia levar ao
desenvolvimento de um sistema automatizado de detecção e
monitoramento de anomalias que permitiria ainda mais aos
gestores e pesquisadores de recursos hídricos combater e
responder a problemas de qualidade da água.
5. Conclusões
Usando dados Landsat-8 e Sentinel-2, um conjunto de dados
harmonizado (HLS) foi produzido em um ambiente de
computação em nuvem. A combinação dos dados desses
sensores aumentou significativamente a frequência temporal
necessária para sistemas dinâmicos, como corpos d'água
interiores. Neste estudo, uma nova arquitetura de aprendizado
profundo (pDNN) foi estabelecida e testada provando ter
 GISCIÊNCIA E SENSOR REMOTO 523

precisão da estimativa em uma série de variáveis. Os resultados deste estudo mostraram ainda que a ORCID
abordagem pDNN superou significativamente MLR, SVR e ELR em termos de precisão geral e erro. Aplicando o
Vasit Sagan http://orcid.org/0000-0003-4375-2096
método pDNN desenvolvido a todos os dados HLS disponíveis para as quatro localizações, as séries temporais
John J. Sloan http://orcid.org/0000-0001-5515-905X
das variáveis de qualidade da água estimadas foram produzidas com precisão. Os resultados iniciais indicam

que o método pDNN é adequado para implementações em escala regional, dadas as condições hidrológicas em

toda a área de estudo. Utilizando a técnica de detecção de anomalias EDA, foram identificados e analisados
Referências
eventos irregulares na qualidade da água. Os resultados da detecção de anomalias e da análise de séries

temporais mostraram relações distintas entre as variáveis e uma aparente tendência de sazonalidade
especialmente para BGA que corrobora os achados anteriores. Os níveis de SC também foram estimados com
alta precisão e mostraram-se altamente correlacionados com as concentrações de Chl e fDOM, comprovando
que a estimativa indireta pode servir como uma abordagem para modelagem de variáveis não ópticas. Além
disso, a aplicação dos métodos desenvolvidos às imagens HLS exibiu distribuições espaciais de resolução
relativamente alta e tendências na qualidade da água. Os resultados deste estudo sugerem que um sistema
regional de estimativa da qualidade da água e detecção de anomalias construído em computação em nuvem e
algoritmos de aprendizado profundo pode ser ideal para áreas de interesse chave e fornecer a estrutura para
sistemas precisos de baixo custo. a aplicação dos métodos desenvolvidos às imagens HLS exibiu distribuições
espaciais de resolução relativamente alta e tendências na qualidade da água. Os resultados deste estudo
sugerem que um sistema regional de estimativa da qualidade da água e detecção de anomalias construído em
Andrés, DF1974. “Um método robusto para múltiplas
Regressão."Tecnometria16 (4): 523-531. doi:10.1080/
00401706.1974.10489233.
Ângelo, P.2014. “Fora da caixa: um dado alternativo
Estrutura analítica.”Journal of Automation, Mobile
Robotics and Intelligent Systems8 (2): 53–59.
Angelov, P. e R. Yager.2011. “Um Novo Tipo de Fuzzy Simplificado
Sistema baseado em regras.”Jornal Internacional de Sistemas
Gerais 41 (2): 163-185. doi:10.1080/03081079.2011.634807.
Angelov, PP, X. Gu, J. Principe e D. Kangin.2016. "Empírico
Análise de Dados - Uma Nova Ferramenta para Análise de Dados”.
Conferência Internacional IEEE sobre Sistemas, Homem e Cibernética:
53-59. Chiang, LC, Y. Yuan, M. Mehaffey, M. Jackson e I. Chaubey.

computação em nuvem e algoritmos de aprendizado profundo pode ser ideal para áreas de interesse chave e
fornecer a estrutura para sistemas precisos de baixo custo. a aplicação dos métodos desenvolvidos às imagens
HLS exibiu distribuições espaciais de resolução relativamente alta e tendências na qualidade da água. Os
resultados deste estudo sugerem que um sistema regional de estimativa da qualidade da água e detecção de
anomalias construído em computação em nuvem e algoritmos de aprendizado profundo pode ser ideal para
áreas de interesse chave e fornecer a estrutura para sistemas precisos de baixo custo.
Destaques da Pesquisa
● Constelação virtual de dados Landsat-8 e Sentinel-2 usando o
google cloud computing
● Estabeleceu um novo e robusto aprendizado profundo para estimativa da
qualidade da água
● Estimou um conjunto de variáveis de qualidade da água com alta
precisão
● Detecção de anomalias para a qualidade da água
Reconhecimentos
Um agradecimento especial à Saint Louis University, ao National
Great Rivers Research and Education Center e a todos que
ajudaram na pesquisa. Os autores também gostariam de
agradecer aos revisores e ao editor por sua revisão ponderada e
comentários construtivos.
Declaração de divulgação
Os autores declaram não haver conflitos de interesse.
Financiamento
Esta pesquisa não recebeu financiamento adicional; Administração
Nacional de Aeronáutica e Espaço [NNX15AK03H]; National Science
Foundation [IIA-1355406; IIA-1430427].
2012. “Avaliando o desempenho da SWAT na bacia hidrográfica
do rio Kaskaskia como influenciado pelo número de estações de
calibração usadas.”Processos hidrológicos28 (3): 676-687. doi:
10.1002/hip.9589.
Claverie, M., J. Ju, JG Masek, JL Dungan, EF Vermote, J.-C.
Roger, SV Skakun e C. Justice.2018. “O conjunto de dados de
refletância de superfície harmonizado Landsat e Sentinel-2.”
Sensoriamento Remoto do Ambiente219: 141-161. doi:10.1016/j.
rse.2018.09.002.
Claverie, M., JG Masek, J. Ju e JL Dungan.2017.
Guia do usuário do produto Landsat-8 Sentinel-2 (HLS)
harmonizado. Washington, DC: Administração Nacional de
Aeronáutica e Espaço (NASA).
Dekker, AG, TJ Malthus e E. Seyhan.1991. “Quantitativo
Modelagem da Qualidade da Água Interior para Sistemas MSS de
Alta Resolução.”Transações IEEE em Geociências e Sensoriamento
Remoto29 (1): 89–95. doi:10.1109/36.103296.
Doerffer, R.2008.MERIS Regional Costeira e Lago Case 2 Água
Projeto de Correção Atmosférica ATBD,21502. Geesthacht,
Alemanha: Centro de Pesquisa GKSS.
Doerffer, R. e H. Schiller.2007. “O caso MERIS 2 Água
Algoritmo."Jornal Internacional de Sensoriamento Remoto28 (3–4):
517–535. doi:10.1080/01431160600821127.
Dörnhöfer, K. e N. Oppelt.2016. “Detecção Remota para Lago
Pesquisa e monitoramento – Avanços Recentes.”Indicadores
Ecológicos64: 105-122. doi:10.1016/j.ecolind.2015.12.009.
Doxoran, D., JM Froidefond e P. Castaing.2003. "Controlo remoto-
detecção de Refletância de Águas Dominadas por Sedimentos
Turvos Redução das Variações do Tipo de Sedimento e Mudança
dos Efeitos das Condições de Iluminação pelo Uso de Razões de
Refletância.”Óptica Aplicada42: 2623-2634. doi:10.1364/
AO.42.002623.
Duan, WK, TB He, P. Luo, D. Nover e Y. Yamashiki.2013.
“Tendências espaciais e temporais nas estimativas de cargas de
nutrientes e sedimentos suspensos no rio Ishikari no Japão.”
Ciência do Meio Ambiente Total461: 499-508. doi:10.1016/
j.scitotenv.2013.05.022.
Gholizadeh, M., A. Melesse e L. Reddi.2016. "UMA
Revisão Abrangente sobre Estimativa de Parâmetros de Qualidade
da Água Usando Técnicas de Sensoriamento Remoto.”Sensores16
(18): 1298. doi:10.3390/s16081298.
524 KT PETERSON ET AL.
Gu, X. e P. Angelov.2017. “Anomalia Autônoma
Detecção." DentroSistemas Inteligentes Evolutivos e Adaptativos
(EAIS),Liubliana, Eslovênia. 1–8. IEEE.
Hornik, K., M. Stinchcombe e H. White.1989. "Multicamada
As redes feedforward são aproximadoras universais.”
Redes neurais2 (5): 359–366. doi:10.1016/0893-6080(89)
90020-8.
Huang, GB, QY Zhu e CK Siew.2006. “Aprendizagem extrema
Máquina: Teoria e 641 Aplicações.”Neurocomputação70:
489-501. doi:10.1016/j.neucom.2005.12.126.
Kang, E., J. Min e JC Ye.2017. “Uma profunda convolucional
Rede Neural Usando Wavelets Direcionais para Reconstrução de
TC com Raios-X de Baixa Dose.”Física médica44: 10. doi:10.1002/
mp.2017.44.edição-10.
Kohler, CC, RJ Sheehan e JJ Sweatman.1993.
“Sucesso de incubação de Largemouth Bass e sobrevivência no
primeiro inverno em dois reservatórios de Illinois.”Revista Norte-
Americana de Gestão de Pescas13 (1): 125–133. doi:10.1577/1548-
8675(1993)013<0125:LBHSAF>2.3.CO;2.
Kutser, T., B. Paavel, C. Verpoorter, M. Ligi, T. Soomets, K.
Toming e G. Casal.2016. “Detecção remota de lagos negros e uso de
pico de refletância de 810 Nm para recuperar parâmetros de
qualidade da água de águas opticamente complexas.”
Sensoriamento remoto8 (6): 497. doi:10.3390/rs8060497.
Lary, DJ, AH Alavi, AH Gandomi e AL Walker.2016.
“Machine Learning em Geociências e Sensoriamento Remoto”.
Fronteiras da Geociência7 (1): 3–10. doi:10.1016/j.gsf.2015.07.003.
Lathrop, RG e TM Lillesand.1989. “Monitoramento da Água-
qualidade e River Plume Transport em Green Bay, Lake-
Michigan com imagens SPOT-1.”Fotogramétrico
Engenharia e Sensoriamento Remoto55: 349-354.
Li, J. e DP Roy.2017. “Uma análise global do Sentinel-2A,
Intervalos de Revisita de Dados Sentinel-2B e Landsat-8 e
Implicações para Monitoramento Terrestre.”Sensoriamento remoto9
(9): 902.
Lim, J. e M. Choi.2015. “Avaliação da Qualidade da Água Baseada
no Landsat 8 Operational Land Imager Associado a Atividades
Humanas na Coreia.”Monitoramento e Avaliação Ambiental187
(6): 384. doi:10.1007/s10661-015-4616-1. Lipton, ZC2016. “Os
mitos da interpretabilidade do modelo”.arXiv
Pré-impressão arXiv:1606.03490.
Louis, J., V. Debaecker, B. Pflug, M. Main-Knorn, J. Bieniarz, U.
Mueller-Wilm, E. Cadau e F. Gascon.2016. “Sentinel-2 Sen2cor:
Processador L2a para Usuários.” Paper apresentado no
Proceedings of the Living Planet Symposium. Praga, República
Tcheca
Mac Kay, DJ1992. “Um Quadro Bayesiano Prático para
Redes de retropropagação.”Computação Neural4 (3): 448–472.
doi:10.1162/neco.1992.4.3.448. Moonesinghe, H. e P. Tan.2006.
“Detecção de valores discrepantes usando
Passeios Aleatórios“.Anais da 18ª Conferência Internacional IEEE
sobre Ferramentas com Inteligência Artificial (ICTAI'06).
Arlington, VA. 532-539.
Nielsen, MA2015.Redes Neurais e Deep Learning.Vol. 25.
EUA: Imprensa de determinação.
Odermatt, D., A. Gitelson, VE Brando e M. Schaepman.
2012. “Revisão da recuperação de constituintes em águas
opticamente profundas e complexas a partir de imagens de satélite.”
Sensoriamento Remoto do Ambiente118: 116-126. doi:10.1016/j.
rse.2011.11.013.
Pahlevan, N., SK Chittimalli, SV Balasubramanian, and V.
Velucci.2019. “Consistência do Produto Sentinel-2/Landsat-8
e Implicações para Monitoramento de Sistemas Aquáticos”.
Sensoriamento Remoto do Ambiente220: 19–29. doi:10.1016/j.
rse.2018.10.027.
Pahlevan, N., Z. Lee, J. Wei, C. Schaff, J. Schott e A. Berk.
2014. “Caracterização Radiométrica em Órbita de OLI
(Landsat-8) para Aplicações em Sensoriamento Remoto
Aquático.” Sensoriamento Remoto do Ambiente154: 272-284.
doi:10.1016/j. rse.2014.08.001.
Pearce, AR, LG Chambers e EA Hasenmueller.2017.
“Caracterizando Distribuições e Fluxos de Nutrientes em um
Reservatório Eutrófico, Centro-Oeste dos Estados Unidos.”
Ciência do Meio Ambiente Total581: 589-600. doi:10.1016/j.
scitotenv.2016.12.168.
Pellerin, BA, BA Stauffer, DA Young, DJ Sullivan, SB
Bricker, MR Walbridge, AC Gerard Jr e DM Shaw. 2016.
“Ferramentas Emergentes para Redes de Monitoramento
Contínuo de Nutrientes: Sensores Avançando na Ciência e
Proteção dos Recursos Hídricos.”Jornal da Associação Americana
de Recursos Hídricos (JAWRA)52 (4): 993–1008. doi:10.1111/1752-
1688.12386.
Pereira, LS, LC Andes, AL Cox, A. Ghulam.2018.
“Medindo a concentração de sedimentos suspensos e a
turbidez nos rios do Médio Mississippi e do Baixo Missouri
usando dados do Landsat.”JAWRA Journal da Associação
Americana de Recursos Hídricos54 (2): 440–450. doi:10.1111/
1752-1688.12616.
Peterson, K., V. Sagan, P. Sidike, A. Cox e M. Martinez.
2018a. “Estimativa de concentração de sedimentos suspensos a
partir de imagens Landsat ao longo dos rios Lower Missouri e
Middle Mississippi usando uma máquina de aprendizado
extrema.”Sensoriamento remoto10: 10. doi:10.3390/rs10101 503
.
Peterson, K., V. Sagan, P. Sidike, E. Hasenmueller, J. Sloan e J.
Knouft.2018b. “Previsão de conjunto baseada em aprendizado de
máquina de variáveis de qualidade da água usando fusão em nível
de recurso e nível de decisão com sensoriamento remoto proximal.”
Engenharia Fotogramétrica e Sensoriamento Remoto 85
(4):269–280.
Reavie, ED, RP Barbiero, LE Allinger e GJ Warren.2014.
“Tendências do fitoplâncton nos Grandes Lagos, 2001–
2011.” Jornal de Pesquisa dos Grandes Lagos40 (3): 618–639.
doi:10.1016/j.jglr.2014.04.013.
Ritchie, JC, PV Zimba e JH Everitt.2003. "Controlo remoto
Técnicas de Sensoriamento para Avaliar a Qualidade da Água.”
Engenharia Fotogramétrica e Sensoriamento Remoto69: 695–
704. doi:10.14358/PERS.69.6.695.
Roberto, C.2014.Machine Learning, uma Perspectiva Probabilística.
Cambridge, Massachusetts: MIT Press.
Rokni, K., A. Ahmad, K. Solaimani e S. Hazini.2015. "Uma nova
Abordagem para Detecção de Mudança de Água de Superfície:
Integração de Técnicas de Fusão de Imagens em Nível de Pixel e
Classificação de Imagens.”International Journal of Applied Earth
Observation and Geoinformation34: 226-234. doi:10.1016/j.
jag.2014.08.014.
Romano, SP, SG Baer, JJ Zaczek e KWJ Williard.2009.
“Métodos de modelagem do local para detectar alteração hidrológica
da frequência de inundação e duração da inundação na planície de
inundação abaixo da barragem de Carlyle, rio Lower Kaskaskia,
Illinois, EUA.”Pesquisa e Aplicações do Rio25: 975-984. doi:10.1002/
rra.1195.
Ryan, K. e K. Ali.2016. “Aplicação de Mínimos Quadrados Parciais
Modelo de regressão para recuperar concentrações de clorofila-a

em águas costeiras usando dados hiperespectrais”.Revista de
Ciências do Oceano51 (2): 209–221. doi:10.1007/s12601-016-0018-8.
Schaeffer, BA, KG Schaeffer, D. Keith, RS Lunetta, R. Conmy,
e RW Gould.2013. “Barreiras à adoção de sensoriamento remoto
por satélite para gestão da qualidade da água”. Jornal
Internacional de Sensoriamento Remoto34 (21): 7534-7544. doi:
10.1080/01431161.2013.823524.
Schmidhuber, J.2015. “Deep Learning em Redes Neurais: Uma
Visão geral."Redes neurais61: 85-117. doi:10.1016/j.
neunet.2014.09.003.
Schölkopf, B., and AJ Smola. “Aprendendo com Kernels: Suporte
Máquinas de vetores, regularização, otimização e muito mais.”
Acessado em 15 de outubro2018.https://dl.acm.org/
citation.cfm?id=559923
Sudheer, KP, I. Chaubey e V. Garg.2006. “Água do Lago
Avaliação da qualidade a partir de dados do mapeador temático
Landsat usando rede neural: uma abordagem para a seleção de
combinação de banda ideal.”Jornal de Recursos Hídricos
Americanos42: 1683-1695. doi:10.1111/j.1752-1688.2006.
tb06029.x.
Svab, E., AN Tyler, T. Preston, M. Presing e KV Balogh.
2005. “Caracterizando a refletância espectral de algas nas
águas do lago com altas concentrações de sedimentos em
suspensão.”Jornal Internacional de Sensoriamento Remoto
26: 919-928. doi:10.1080/0143116042000274087. Thomas, C.
e N. Balakrishnan.2009. “Melhoria em
Detecção de Intrusão com Avanços na Fusão de Sensores.”
Transações IEEE em Forense e Segurança da Informação4 (3):
542-551. doi:10.1109/TIFS.2009.2026954.
Toming, K., T. Kutser, A. Laas, M. Sepp, B. Paavel e T. Nõges.
2016. “Primeiras experiências no mapeamento dos parâmetros de
qualidade da água do lago com imagens Sentinel-2 MSI.”Sensoriamento
remoto 8: 8. doi:10.3390/rs8080640.
Urbanski, JA, A. Wochna, I. Bubak, W. Grzybowski, K.
Lukawska-Matuszewska, M.£cka, S.Śliwińska, B. Wojtasiewicz
e M. Zajumaczkowski.2016. “Aplicação de imagens Landsat 8
para avaliação em escala regional da qualidade da água do
lago.”International Journal of Applied Earth Observation and
Geoinformation51: 28-36. doi:10.1016/j. jag.2016.04.004.
GISCIÊNCIA E SENSOR REMOTO 525
Van Der Woerd, HJ e R. Pasterkamp.2008. “HIDROPTA: UM
Método rápido e flexível para recuperar clorofila-A de
observações de satélite multiespectrais de águas costeiras
opticamente complexas.”Sensoriamento Remoto do Ambiente
112 (4): 1795-1807. doi:10.1016/j.rse.2007.09.001.
Vapnik, V.1995.A natureza da teoria de aprendizagem estatística.Novo
York: Springer.
Vermote, E., C. Justice, M. Claverie e B. Franch.2016.
“Análise Preliminar do Desempenho do Produto Landsat 8/
OLI Land Surface Reflectance.”Sensoriamento Remoto do
Ambiente185: 46-56. doi:10.1016/j.rse.2016.04.008. Wallace,
J., P. Champagne e G. Hall.2016. “Série Temporal
Relações entre Clorofila-a, Oxigênio Dissolvido e pH em
Três Lagoas Facultativas de Estabilização de Águas
Residuais.”Ciência Ambiental: Pesquisa e Tecnologia da
Água2 (6): 1032-1040.
Wang, Z., K. Kawamura, Y. Sakuno, X. Fan, Z. Gong e J. Lim.
2017. "Recuperação de clorofila-a e sólidos suspensos totais usando
regressão iterativa de mínimos quadrados parciais de eliminação
gradual (ISE-PLS) com base em medições hiperespectrais de campo
em lagoas de irrigação em Higashihiroshima, Japão."Sensoriamento
remoto9: 3.
Wilde, FD, MW Sandstrom e SC Skrobialowski. 2014.
“Seleção de equipamento para amostragem de água (ver.
3.1): US Geological Survey Techniques of Water-Resources
Investigations, livro 9, cap. A2, 78.[en línea]”.
Zhang, L., L. Zhang e B. Du.2016. “Aprendizagem Profunda para
Dados de Sensoriamento Remoto: Um Tutorial Técnico sobre o
Estado da Arte”.Revista IEEE Geoscience and Remote Sensing4 (2):
22–40. doi:10.1109/MGRS.2016.2540798.
Zhu, XX, D. Tuia, L. Mou, GS Xia, L. Zhang, F. Xu e F.
Fraundorfer.2017. “Deep Learning in Remote Sensing:
Uma Revisão Abrangente e Lista de Recursos.”Revista
IEEE Geoscience and Remote Sensing5 (4): 8–36. doi:
10.1109/MGRS.2017.2762307.
Zhu, Z., S. Wang e CE Woodcock.2015. “Melhoria e
Expansão do algoritmo Fmask: Cloud, Cloud Shadow e Snow
Detection para Landsats 4–7, 8 e Sentinel 2 Images.”
Sensoriamento Remoto do Ambiente159: 269-277. doi:
10.1016/j.rse.2014.12.014.