Predição de área alagada com base em séries temporais geradas por imagens de satélites

Autores

DOI:

https://doi.org/10.5902/2179460X91144

Palavras-chave:

Sensoriamento remoto, Monitoramento hidrológico, Dinâmica de reservatórios, Segmentação por limiarização, Algoritmo de Otsu, Variabilidade da superfície hídrica

Resumo

Metodologias de processamento digital de imagens podem ser aplicadas a diferentes problemas relacionados ao desenvolvimento sustentável, incluindo o monitoramento de corpos hídricos por meio de imagens de satélite multitemporais. O monitoramento e a predição de áreas alagadas são procedimentos relevantes para compreender a dinâmica de corpos d’água e subsidiar estudos relacionados a inundações, secas e gestão de recursos hídricos. Este estudo propôs uma abordagem metodológica para mapear e predizer variações na área alagada do Lago Kirwin, nos Estados Unidos, com base em imagens do satélite Landsat 8 coletadas entre janeiro de 2013 e novembro de 2022. A área alagada foi estimada por meio do método de segmentação de imagens de Otsu, e a série temporal mensal resultante foi modelada utilizando os modelos Autoregressive Integrated Moving Average (ARIMA), Seasonal ARIMA (SARIMA), Exponential Smoothing (ETS) e Holt-Winters. Os resultados evidenciaram sazonalidade anual na série temporal da área alagada. Entre os modelos avaliados, o Holt-Winters apresentou o melhor desempenho preditivo, com os menores valores de RMSE, MAPE e coeficiente U de Theil, indicando maior capacidade de representar o comportamento sazonal da área alagada e produzir previsões mais próximas dos valores observados. Portanto, a abordagem proposta mostrou-se útil para transformar imagens de satélite em uma ferramenta preditiva de monitoramento, contribuindo para estudos futuros sobre monitoramento hidrológico e dinâmica da área superficial de reservatórios.

Downloads

Não há dados estatísticos.

Biografia do Autor

Heverton Barbosa do Nascimento, Centro Universitário Católica de Quixadá

Bacharel em Engenharia de Produção Mecânica (URCA-2010). Mestre em Desenvolvimento Regional Sustentável (PRODER/UFCA-2023). Especialista em Logística Empresarial (FJN-2012) e especialista em Engenharia de Segurança do Trabalho (UNILEÂO-2023). Atualmente é coordenador de Internacionalização e docente no Centro Universitário Católico de Quixadá (UNICATÓLICA QUIXADÁ).

Paulo Renato Alves Firmino, Universidade Federal do Cariri

Doutor em Engenharia de Produção (UFPE, 2009). Professor de Estatística na UFCA desde 2014.
Atua em modelagem, simulação, previsão e análise probabilística de riscos. É docente dos
programas de pós-graduação em Desenvolvimento Regional Sustentável, Ciências da Saúde e
Administração.

Francisco Alixandre Ávila Rodrigues, Universidade Federal do Cariri

Doutor em Engenharia de Teleinformática (UFC, 2017). Professor Adjunto na UFCA.
Atua nos temas de processamento de imagens e sinais, otimização, probabilidade e estatística.
Líder do Grupo de Estudos em Processamento de Imagens e Sinais. Coordenador do Laboratório
de Processamento de Imagens e Sinais.

Jair Paulino de Sales, Universidade Federal do Cariri

Doutor em Ciência da Computação (UFPE, 2024). Professor Adjunto no CCSA/UFCA.
Membro do grupo MESOR/UFCA. Pesquisa em séries temporais, aprendizado de máquina e
processamento de linguagem natural. Mestre em Desenvolvimento Regional Sustentável pela
UFCA.

Rosilda Benício de Souza, Universidade Federal do Cariri

Doutora em Biometria e Estatística Aplicada (UFRPE, 2015). Professora associada na UFCA. Atua
em inteligência artificial, classificação e séries temporais. Licenciada em Matemática pela URCA
(2008). Tem experiência em aplicações estatísticas em diversas áreas.

Referências

Abonazel, M. R., & Darwish, N. M. (2022). Forecasting confirmed and recovered COVID-19 cases and deaths in Egypt after the genetic mutation of the virus: ARIMA Box-Jenkins’ approach. Communications in Mathematical Biology and Neuroscience, 2022, Article 17. https://scik.org/index.php/cmbn/article/view/6888

Alsharif, M. H., Younes, M. K., & Kim, J. (2019). Time series ARIMA model for prediction of daily and monthly average global solar radiation: The case study of Seoul, South Korea. Symmetry, 11(2), Article 240. https://doi.org/10.3390/sym11020240

Andrade, L. C. de, Lopes, T. O., Medeiros, N. das G., Ferreira, I. O., Santos, A. de P. dos, & Poz, W. R. D. (2024). Estimativa da turbidez da água utilizando imagens de RPA’s associadas às técnicas de Machine Learning. Revista de Geociências do Nordeste, 10(1), 506–517. https://doi.org/10.21680/2447-3359.2024v10n1ID34612

Atique, S., Noureen, S., Roy, V., Subburaj, V., Bayne, S., & Macfie, J. (2019). Forecasting of total daily solar energy generation using ARIMA: A case study. In 2019 IEEE 9th Annual Computing and Communication Workshop and Conference (pp. 114–119). IEEE. https://doi.org/10.1109/CCWC.2019.8666481

Box, G. (2013). Box and Jenkins: Time series analysis, forecasting and control. In A very British affair: Six Britons and the development of time series analysis during the 20th century (pp. 161–215). Palgrave Macmillan.

Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). John Wiley & Sons.

Cavanaugh, J. E., & Neath, A. A. (2019). The Akaike information criterion: Background, derivation, properties, application, interpretation, and refinements. Wiley Interdisciplinary Reviews: Computational Statistics, 11(3), Article e1460. https://doi.org/10.1002/wics.1460

Elsaraiti, M., & Merabet, A. (2022). Solar power forecasting using deep learning techniques. IEEE Access, 10, 31692–31698. https://doi.org/10.1109/ACCESS.2022.3160484

Farsi, M., Hosahalli, D., Manjunatha, B. R., Gad, I., Atlam, E. S., Ahmed, A., Elmarhomy, G., & Ghoneim, O. A. (2021). Parallel genetic algorithms for optimizing the SARIMA model for better forecasting of the NCDC weather data. Alexandria Engineering Journal, 60(1), 1299–1316. https://doi.org/10.1016/j.aej.2020.10.052

Fernandes, S., Fialho, A., & Patriarca, I. (2024). Deteção e delimitação de corpos de água em imagens de satélite de alta resolução com aprendizagem profunda. Revista Internacional Mapping, 32(214), 10–24. https://doi.org/10.59192/mapping.442

González-Estrada, E., & Cosmes, W. (2019). Shapiro–Wilk test for skew normal distributions based on data transformations. Journal of Statistical Computation and Simulation, 89(17), 3258–3272. https://doi.org/10.1080/00949655.2019.1658763

Hodson, T. O. (2022). Root-mean-square error (RMSE) or mean absolute error (MAE): When to use them or not. Geoscientific Model Development, 15(14), 5481–5487. https://doi.org/10.5194/gmd-15-5481-2022

Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). OTexts. https://otexts.com/fpp2/

Hyndman, R. J., & Khandakar, Y. (2008). Automatic time series forecasting: The forecast package for R. Journal of Statistical Software, 27(3), 1–22. https://doi.org/10.18637/jss.v027.i03

Hyndman, R. J., Koehler, A. B., Ord, J. K., & Snyder, R. D. (2008). Forecasting with exponential smoothing: The state space approach. Springer.

Intrieri, E., Raspini, F., Fumagalli, A., Lu, P., Del Conte, S., Farina, P., Allievi, J., Ferretti, A., & Casagli, N. (2018). The Maoxian landslide as seen from space: Detecting precursors of failure with Sentinel-1 data. Landslides, 15(1), 123–133. https://doi.org/10.1007/s10346-017-0915-7

Jorgensen, D. G., & Stullken, L. E. (1981). Hydrology and model of North Fork Solomon River Valley, Kirwin Dam to Waconda Lake, north-central Kansas (Irrigation Series No. 6). University of Kansas.

Khan, S. I., Hong, Y., Gourley, J. J., Khattak, M. U., & De Groeve, T. (2014). Multi-sensor imaging and space-ground cross-validation for 2010 flood along Indus River, Pakistan. Remote Sensing, 6(3), 2393–2407. https://doi.org/10.3390/rs6032393

Kumar, A., Alsadoon, A., Prasad, P. W. C., Abdullah, S., Rashid, T. A., Pham, D. T. H., & Nguyen, T. Q. V. (2022). Generative adversarial network (GAN) and enhanced root mean square error (ERMSE): Deep learning for stock price movement prediction. Multimedia Tools and Applications, 81(3), 3995–4013. https://doi.org/10.1007/s11042-021-11670-w

Lei, Z., & Weng, Q. (2018). Impervious surface estimation by integrated use of Landsat and MODIS time series in Wuhan, China. In Q. Weng (Ed.), Remote sensing time series image processing (pp. 121–134). CRC Press.

López-García, M. del R., Martínez-Damián, M. Á., & Arana-Coronado, J. J. (2022). Predictores del precio de maíz blanco en Jalisco y Michoacán. Revista Mexicana de Ciencias Agrícolas, 13(2), 261–272. https://doi.org/10.29312/remexca.v13i2.2740

Muhadi, N. A., Abdullah, A. F., Bejo, S. K., Mahadi, M. R., & Mijic, A. (2020). Image segmentation methods for flood monitoring system. Water, 12(6), Article 1825. https://doi.org/10.3390/w12061825

National Integrated Drought Information System. (2023, May 19). Drought status update for the North Central U.S. Drought.gov. https:/www.drought.gov/drought-status-updates/drought-status-update-north-central-us-2023-05-19

Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62–66. https://doi.org/10.1109/TSMC.1979.4310076

Pandey, P., Singh, P. K., & Chandra, S. (2017). A review on image segmentation techniques. Pattern Recognition and Image Analysis, 27(2), 259–284.

Pho, K. H., Ly, S., Ly, S., & Lukusa, T. M. (2019). Comparison among Akaike information criterion, Bayesian information criterion and Vuong’s test in model selection: A case study of violated speed regulation in Taiwan. Journal of Advanced Engineering and Computation, 3(1), 293–303. http://dx.doi.org/10.25073/jaec.201931.220

R Core Team. (2022). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/

Razzano, F., Di Stasio, P., Mauro, F., Meoni, G., Esposito, M., Schirinzi, G., & Ullo, S. L. (2024). AI techniques for near real-time monitoring of contaminants in coastal waters on board future Φsat-2 mission. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 17, 16755–16766. https://doi.org/10.1109/JSTARS.2024.3455992

Samaraweera, H. U. S. (2024). Exploring complexities of disaster risk and vulnerability: Everyday lives of two flood-affected communities in Sri Lanka. Sustainable Development, 32(2), 1376–1385. https://doi.org/10.1002/sd.2723

United States Geological Survey. (2022). Provisional Landsat 8 Surface Reflectance Code (LaSRC) product (Version 3.3). https://www.usgs.gov/media/files/landsat-8-collection-1-landsurface-reflectance-code-product-guide

U.S. Fish and Wildlife Service. (n.d.). Kirwin National Wildlife Refuge: About us. Retrieved May 19, 2026, from https://www.fws.gov/refuge/kirwin/about-us

Xu, Z., & Wang, Y. (2020). Radar satellite image time series analysis for high-resolution mapping of man-made forest change in Chongming Eco-Island. Remote Sensing, 12(20), Article 3438. https://doi.org/10.3390/rs12203438

Zhou, S., Kan, P., Silbernagel, J., & Jin, J. (2020). Application of image segmentation in surface water extraction of freshwater lakes using radar data. ISPRS International Journal of Geo-Information, 9(7), Article 424. https://doi.org/10.3390/ijgi9070424

Downloads

Publicado

2026-09-28

Edição

v. 48 (2026): Publicação contínua

Seção

Geociências

Licença

Copyright (c) 2026 Ciência e Natura

Creative Commons License

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Para acessar a DECLARAÇÃO DE ORIGINALIDADE E EXCLUSIVIDADE E CESSÃO DE DIREITOS AUTORAIS clique aqui.

 

Diretrizes Éticas para Publicação de Revistas

A revista Ciência e Natura está empenhada em garantir a ética na publicação e na qualidade dos artigos.

A conformidade com padrões de comportamento ético é, portanto, esperada de todas as partes envolvidas: Autores, Editores e Revisores.

Em particular, 

Autores: Os Autores devem apresentar uma discussão objetiva sobre a importância do trabalho de pesquisa, bem como detalhes e referências suficientes para permitir que outros reproduzam as experiências. Declarações fraudulentas ou intencionalmente incorretas constituem comportamento antiético e são inaceitáveis. Artigos de Revisão também devem ser objetivos, abrangentes e relatos precisos do estado da arte. Os Autores devem assegurar que seu trabalho é uma obra totalmente original, e se o trabalho e / ou palavras de outros têm sido utilizadas, isso tem sido devidamente reconhecido. O plágio em todas as suas formas constitui um comportamento publicitário não ético e é inaceitável. Submeter o mesmo manuscrito a mais de um jornal simultaneamente constitui um comportamento publicitário não ético e é inaceitável. Os Autores não devem submeter artigos que descrevam essencialmente a mesma pesquisa a mais de uma revista. O Autor correspondente deve garantir que haja um consenso total de todos os Co-autores na aprovação da versão final do artigo e sua submissão para publicação.

Editores: Os Editores devem avaliar manuscritos exclusivamente com base no seu mérito acadêmico. Um Editor não deve usar informações não publicadas na própria pesquisa do Editor sem o consentimento expresso por escrito do Autor. Os Editores devem tomar medidas de resposta razoável quando tiverem sido apresentadas queixas éticas relativas a um manuscrito submetido ou publicado.

Revisores: Todos os manuscritos recebidos para revisão devem ser tratados como documentos confidenciais. As informações ou ideias privilegiadas obtidas através da análise por pares devem ser mantidas confidenciais e não utilizadas para vantagens pessoais. As revisões devem ser conduzidas objetivamente e as observações devem ser formuladas claramente com argumentos de apoio, de modo que os Autores possam usá-los para melhorar o artigo. Qualquer Revisor selecionado que se sinta desqualificado para rever a pesquisa relatada em um manuscrito ou sabe que sua rápida revisão será impossível deve notificar o Editor e desculpar-se do processo de revisão. Os Revisores não devem considerar manuscritos nos quais tenham conflitos de interesse resultantes de relacionamentos ou conexões competitivas, colaborativas ou outras conexões com qualquer dos autores, empresas ou instituições conectadas aos documentos.