Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/94038
Title: Análise de Dados Térmicos de Deteção Remota para a Caracterização de Superfícies Naturais e Antrópicas em Contextos Distintos
Other Titles: Analysis of Thermal Data of Remote Sensing for the Characterization of Natural and Anthropic Surfaces in Distinct Contexts
Authors: Soares, Patrícia Almeida
Orientador: Mantas, Vasco Manuel Jorge Soares
Keywords: Temperatura de Superfície da Terra; Landsat 8; ASTER; análise térmica; machine learning; Land Surface Temperature; Landsat 8; ASTER; thermal analysis; machine learning
Issue Date: 11-Dec-2020
Serial title, monograph or event: Análise de Dados Térmicos de Deteção Remota para a Caracterização de Superfícies Naturais e Antrópicas em Contextos Distintos
Place of publication or event: Departamento de Ciências da Terra da Universidade de Coimbra
Abstract: A deteção remota (DR), em Portugal é um tema muito recente com possibilidade de ser analisado mais pormenorizadamente, tendo em conta o conjunto de aplicações que pode ter, em diversas áreas científicas. Por esse motivo, esta dissertação veio aprofundar esse assunto através da análise da temperatura da superfície terrestre em contextos nacionais distintos. Land Surface Temperature ou temperatura da superfície terrestre (LST), como será referida ao longo da presente dissertação, tem adquirido um reconhecimento cada vez maior ao longo do tempo, levando a um interesse cada vez significativo no desenvolvimento de várias metodologias de modo a efetuar a sua medição a partir do espaço. Assim sendo, a LST é utilizada em estudos relacionados com as variações da superfície terrestre, nomeadamente as ilhas de calor urbano (ICU), a evapotranspiração e o stress da vegetação. Estas variações da superfície permitem a criação de várias aplicações relacionadas com os diferentes processos, nomeadamente, a monitorização do clima, o ciclo hidrológico, a avaliação de modelos e a assimilação de dados. O satélite Landsat 8 (LS8) tem o potencial de fornecer estimativas LST com uma alta resolução espacial, o que torna possível realizar este estudo de forma mais eficaz. De uma forma sucinta, o estudo realizado consistiu numa primeira fase na aplicação de um algoritmo designado Statistical Mono-Window (SMW), que permitiu a criação de uma base de dados de calibração e validação, de maneira a garantir uma maior variabilidade das condições atmosféricas e de superfície. Posteriormente, através da aquisição de dados do LS8 e do sensor Advanced Spaceorne Thermal Emission and Reflection Radiometer (ASTER) procedeu-se à criação de um repositório que permitisse gerar um conjunto de imagens referente à LST, entre junho de 2016 e junho de 2017, na cidade de Coimbra. Consequentemente, relacionou-se a análise térmica da coleção de imagens obtidas anteriormente com os riscos geológicos associados e os problemas sociais que se possam manifestar, através de modelos de DR especializados. O resultado esperado deste trabalho diz respeito à possibilidade de analisar as variações da superfície da terra a partir da DR, como é o caso do estudo das ICU que corresponde à diferença da LST relacionando as zonas urbanas com as zonas não urbanas vizinhas. O desenvolvimento do método machine learning aliado ao cloud computing permitiu que esta análise térmica ocorra com uma alta resolução espacial através da aquisição de dados.
Remote sensing (DR), in Portugal, is a very recent topic that can be analyzed in more detail, considering the set of applications it can have, in several scientific areas. For this reason, this dissertation has developed this subject through the analysis of the land surface temperature in different national contexts. Land Surface Temperature (LST) has acquired an increasing recognition over time, leading to an increasingly significant interest in the development of various methodologies in order to make its measurement from space. Therefore, LST is used in studies related to the variations of the land surface, such as urban heat islands (ICU), evapotranspiration and vegetation stress. These surface variations allow the creation of several applications related to different processes, including climate monitoring, hydrological cycle, model evaluation and data assimilation. The Landsat 8 (LS8) satellite has the potential to provide LST estimates with a high spatial resolution, which makes it possible to conduct this study more effectively. In a short way, the study consisted of a first step in the application of an algorithm called Statistical Mono-Window (SMW), which allowed the creation of a calibration and validation database, in order to provide greater variability in atmospheric and surface conditions. Subsequently, through the acquisition of data from LS8 and the Advanced Spaceorne Thermal Emission and Reflection Radiometer (ASTER) sensor, a repository was created to generate a set of images related to LST, between June 2016 and June 2017, in the city of Coimbra. Consequently, the thermal analysis of the previously obtained image collection was related to the associated geological risks and social problems that may manifest themselves, through specialized DR models. The expected result of this work is the possibility of analyzing the variations of land surface from DR, as is the case of the ICU study which corresponds to the difference of LST relating urban areas with neighboring non-urban areas. The development of the machine learning method allied to cloud computing allowed this thermal analysis to occur with a high spatial resolution through data acquisition.
Description: Dissertação de Mestrado em Geociências apresentada à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/94038
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
DisserataçãoFINAL_PatríciaAlmeidaSoares.pdf2.91 MBAdobe PDFView/Open
Show full item record

Page view(s)

4
checked on Apr 9, 2021

Download(s)

1
checked on Apr 9, 2021

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons