| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 5.69 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Detailed bathymetry is necessary for reliable coastal zone management and operations. While traditional in-situ echo sounding offers high precision, it suffers from inefficiencies in shallow waters and incurs logistical costs. Similarly, LiDAR mapping provides efficient coverage of coastal areas but comes with high acquisition expenses. In contrast, Satellite Derived Bathymetry presents a more cost-effective alternative for mapping coastal regions, albeit typically at a lower resolution. This study addresses the need for precise shallow water bathymetry around the Maltese Islands by integrating in-situ and remote data from Landsat 9, Planet Scope and Sentinel 2-A satellites. We investigate both conventional linear regression models and advanced machine learning techniques, specifically the Random Forest algorithm. An empirical workflow was developed from various band combinations, calibrated against extensive on-site measurements. The research provides a comprehensive insight into the depth accuracy achievable for shallow coastal regions using these diverse satellite platforms and modeling approaches, contributing to more efficient and reliable bathymetric mapping for coastal applications.
A batimetria detalhada é essencial para uma gestão eficaz das zonas costeiras e as operações marítimas. Métodos tradicionais oferecem alta precisão, mas são ineficientes em águas rasas e envolvem custos logísticos elevados. Alternativamente, o mapeamento por LiDAR proporciona cobertura eficiente de áreas costeiras, porém com custos de aquisição significativos. Em contraste, a Batimetria Derivada de Satélite surge como uma solução mais económica para o mapeamento costeiro, embora geralmente com resolução mais baixa. Este estudo aborda a utilização desta técnica em águas rasas ao redor das ilhas maltesas, integrando dados dos satélites Landsat 9, Planet Scope e Sentinel 2-A. Foi desenvolvido um fluxo de trabalho empírico baseado em diversas combinações de bandas espectrais, calibrando-as com medições extensivas in-situ. Posteriormente, foram investigados tanto modelos convencionais de regressão linear quanto técnicas avançadas de machine learning, especificamente o algoritmo Random Forest. Os resultados demonstraram que os modelos de regressão linear convencional apresentaram tendência de superestimação da profundidade, especialmente na St. Paul Bay, enquanto o algoritmo Random Forest mostrou-se mais robusto, capturando relações não lineares e reduzindo a necessidade de segmentação manual por faixas de profundidade. O Sentinel 2-A exibiu variações de desempenho dependendo da localização, com previsões equilibradas na Ghadira Bay, mas subestimando profundidades em St. Paul Bay, destacando a influência das condições locais nos resultados. Esta pesquisa oferece uma alternativa viável às técnicas tradicionais de sondagem para monitoramento costeiro, gestão ambiental, segurança na navegação e avaliação de riscos. A alta resolução temporal e espacial dos dados satelitais permite capturar mudanças sazonais e de longo prazo em ecossistemas costeiros, além de auxiliar no estudo do transporte de sedimentos. Apesar dos avanços, limitações persistem na hora de utilizar a Batimetria Derivada de Satélite. Certas variáveis podem introduzir incertezas, mas métodos bem calibrados minimizam estas. Recomenda-se a expansão e diversificação de conjuntos de dados de treinamento, o desenvolvimento de técnicas de correção e a incorporação de mais fatores ambientais no processo. A exploração de abordagens de machine learning pode melhorar ainda mais as previsões de mudanças sazonais e de longo prazo, enquanto a validação com dados reais de Malta garantirá a confiabilidade e aplicabilidade do modelo.
A batimetria detalhada é essencial para uma gestão eficaz das zonas costeiras e as operações marítimas. Métodos tradicionais oferecem alta precisão, mas são ineficientes em águas rasas e envolvem custos logísticos elevados. Alternativamente, o mapeamento por LiDAR proporciona cobertura eficiente de áreas costeiras, porém com custos de aquisição significativos. Em contraste, a Batimetria Derivada de Satélite surge como uma solução mais económica para o mapeamento costeiro, embora geralmente com resolução mais baixa. Este estudo aborda a utilização desta técnica em águas rasas ao redor das ilhas maltesas, integrando dados dos satélites Landsat 9, Planet Scope e Sentinel 2-A. Foi desenvolvido um fluxo de trabalho empírico baseado em diversas combinações de bandas espectrais, calibrando-as com medições extensivas in-situ. Posteriormente, foram investigados tanto modelos convencionais de regressão linear quanto técnicas avançadas de machine learning, especificamente o algoritmo Random Forest. Os resultados demonstraram que os modelos de regressão linear convencional apresentaram tendência de superestimação da profundidade, especialmente na St. Paul Bay, enquanto o algoritmo Random Forest mostrou-se mais robusto, capturando relações não lineares e reduzindo a necessidade de segmentação manual por faixas de profundidade. O Sentinel 2-A exibiu variações de desempenho dependendo da localização, com previsões equilibradas na Ghadira Bay, mas subestimando profundidades em St. Paul Bay, destacando a influência das condições locais nos resultados. Esta pesquisa oferece uma alternativa viável às técnicas tradicionais de sondagem para monitoramento costeiro, gestão ambiental, segurança na navegação e avaliação de riscos. A alta resolução temporal e espacial dos dados satelitais permite capturar mudanças sazonais e de longo prazo em ecossistemas costeiros, além de auxiliar no estudo do transporte de sedimentos. Apesar dos avanços, limitações persistem na hora de utilizar a Batimetria Derivada de Satélite. Certas variáveis podem introduzir incertezas, mas métodos bem calibrados minimizam estas. Recomenda-se a expansão e diversificação de conjuntos de dados de treinamento, o desenvolvimento de técnicas de correção e a incorporação de mais fatores ambientais no processo. A exploração de abordagens de machine learning pode melhorar ainda mais as previsões de mudanças sazonais e de longo prazo, enquanto a validação com dados reais de Malta garantirá a confiabilidade e aplicabilidade do modelo.
Descrição
Palavras-chave
Batimetria Batimetria derivada de satélite Machine learning Random Forest