Atributos polarimétricos de imagem radar na inferência de parâmetros morfológicos de macrófitas
O propósito deste trabalho é ajustar um modelo de regressão múltipla em função de atributos de imagens de radar polarimétrico, para estimativa da variável morfológica volume da haste de macrófitas encontradas na planície de inundação da Amazônia, no Lago Grande de Monte Alegre (Pará - Brasil). Com e...
| Autores: | , , , |
|---|---|
| Tipo de recurso: | artículo |
| Estado: | Versión publicada |
| Fecha de publicación: | 2012 |
| País: | Brasil |
| Institución: | Universidade Estadual Paulista (UNESP) |
| Repositorio: | Repositório Institucional da UNESP |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.unesp.br:11449/6693 |
| Acceso en línea: | http://dx.doi.org/10.1590/S1982-21702012000100008 http://hdl.handle.net/11449/6693 |
| Access Level: | acceso abierto |
| Palabra clave: | Radar Polarimétrico PALSAR Regressão Linear Múltipla Monitoramento de Macrófitas Planície de Inundação da Amazônia Polarimetric Radar PALSAR data Multiple Linear Regression Macrophyte Monitoring Amazon Floodplain |
| Sumario: | O propósito deste trabalho é ajustar um modelo de regressão múltipla em função de atributos de imagens de radar polarimétrico, para estimativa da variável morfológica volume da haste de macrófitas encontradas na planície de inundação da Amazônia, no Lago Grande de Monte Alegre (Pará - Brasil). Com esta estimativa, pretende-se avaliar o potencial dos dados polarimétricos do sensor ALOS/PALSAR, destacando a importância da informação de fase das imagens de radar. Para este estudo, foram coletados dados de campo em época próxima à aquisição do dado de radar. Variáveis morfológicas, como altura e diâmetro da haste emergente, de três espécies de macrófitas foram medidas em campo e usadas para derivar o volume da haste, o qual foi modelado usando atributos da imagem de radar. Dois atributos da decomposição de Freeman-Durden, dois de Touzi e um de Pope apresentaram melhor desempenho na modelagem. Apesar do modelo não ter obtido um elevado coeficiente de determinação (44%), ele apresentou boa capacidade preditiva, já que todos os elementos de validação caíram dentro do intervalo de predição de 95% de confiança. Dentre as cinco variáveis independentes do modelo, quatro foram geradas a partir da informação de fase das imagens, o que reforça a importância dessa informação. |
|---|