@InProceedings{SilvaNetoSaSoMeFrSiDu:2023:AnPrDi,
               author = "Silva Neto, Tomaz Alexandre da and Salgueiro, Ana Rita 
                         Gon{\c{c}}alves Neves Lopes and Sousa, Joyce Shantala Fernandes 
                         de Oliveira and Mendes, Luzia Suerlange Ara{\'u}jo dos Santos and 
                         Freites, Eduardo Viana and Silva, Igor Rebou{\c{c}}as da and 
                         Duarte, Cynthia Romariz",
          affiliation = "{Universidade Federal do Cear{\'a} (UFC)} and {Universidade 
                         Federal do Cear{\'a} (UFC)} and {Universidade Federal do 
                         Cear{\'a} (UFC)} and {N{\'u}cleo de Tecnologia e Qualidade 
                         Industrial do Cear{\'a} (NUTEC)} and {Universidade Federal do 
                         Cear{\'a} (UFC)} and {Universidade Federal do Cear{\'a} (UFC)} 
                         and {Universidade Federal do Cear{\'a} (UFC)}",
                title = "An{\'a}lise preliminar da din{\^a}mica das {\'a}guas 
                         superficiais na regi{\~a}o do Baixo Jaguaribe a partir de 
                         s{\'e}ries temporais de radar Sentinel-1",
            booktitle = "Anais...",
                 year = "2023",
               editor = "Gherardi, Douglas Francisco Marcolino and Arag{\~a}o, Luiz 
                         Eduardo Oliveira e Cruz de and Sanches, Ieda DelArco",
                pages = "e155810",
         organization = "Simp{\'o}sio Brasileiro de Sensoriamento Remoto, 20. (SBSR)",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
             keywords = "{\'A}reas Inund{\'a}veis, Banda C, SNAP, Ru{\'{\i}}do Speckle, 
                         Machine Learning, Wetlands, C-Band, SNAP, Speckle Noise, Machine 
                         Learning.",
             abstract = "O conhecimento da din{\^a}mica sazonal das {\'a}guas 
                         superficiais de uma regi{\~a}o pode ser usado como 
                         subs{\'{\i}}dio para um planejamento mais consciente. Esse 
                         trabalho tem como objetivo desenvolver um m{\'e}todo de 
                         identifica{\c{c}}{\~a}o de {\'a}guas superficiais na 
                         regi{\~a}o da Sub-bacia Hidrogr{\'a}fica do Baixo Jaguaribe 
                         utilizando s{\'e}ries temporais do sat{\'e}lite Sentinel-1. O 
                         m{\'e}todo consiste em seis etapas: pr{\'e}-processamento das 
                         imagens; constru{\c{c}}{\~a}o do cubo temporal; 
                         aplica{\c{c}}{\~a}o da An{\'a}lise de Componentes de Densidade 
                         e Probabilidade (ACDP); utiliza{\c{c}}{\~a}o da 
                         transforma{\c{c}}{\~a}o Minimum Noise Fraction (MNF); uso da 
                         t{\'e}cnica de aprendizado de m{\'a}quina Random Forest e 
                         delimita{\c{c}}{\~a}o das {\'a}guas superficiais no 
                         per{\'{\i}}odo seco e chuvoso. Observou-se que existe uma 
                         diferen{\c{c}}a entre os per{\'{\i}}odos seco e chuvoso. 
                         Aproximadamente 57,5% da {\'a}rea do rio fica exposta no 
                         per{\'{\i}}odo seco. A metodologia utilizada mostrou-se bastante 
                         eficiente na diferencia{\c{c}}{\~a}o dos corpos 
                         h{\'{\i}}dricos em rela{\c{c}}{\~a}o a outros elementos que 
                         possuem respostas semelhantes e na melhoria da rela{\c{c}}{\~a}o 
                         sinal/ru{\'{\i}}do. ABSTRACT: The knowledge of the seasonal 
                         dynamics of surface water in a region can be used as a subsidy for 
                         a more conscious planning. This work aims to develop a method to 
                         identify surface waters in the Baixo Jaguaribe sub-basin region 
                         using time series from the Sentinel-1 satellite. The method 
                         consists of six steps: pre-processing of the images; construction 
                         of the temporal cube; application of Density and Probability 
                         Component Analysis (DCA); use of the Minimum Noise Fraction (MNF) 
                         transformation; use of the Random Forest machine learning 
                         technique and delimitation of surface waters in the dry and rainy 
                         periods. It was observed that there is a difference between the 
                         dry and rainy periods. 57,5% of the river area is exposed in the 
                         dry period. The methodology used proved to be very efficient in 
                         differentiating the water bodies from other elements that have 
                         similar responses and in improving the signal-to-noise ratio.",
  conference-location = "Florian{\'o}polis",
      conference-year = "02-05 abril 2023",
                 isbn = "978-65-89159-04-9",
             language = "pt",
         organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                  ibi = "8JMKD3MGP6W34M/495DKR5",
                  url = "http://urlib.net/ibi/8JMKD3MGP6W34M/495DKR5",
           targetfile = "155810.pdf",
                 type = "An{\'a}lise de s{\'e}ries temporais de imagens de 
                         sat{\'e}lite",
        urlaccessdate = "2024, May 05"
}