Modelo Condicional ARMA Espacial Gama Generalizado: Desenvolvimentos Teóricos e Aplicações
ARMA espacial. Detecção de enchentes. ENL. Estimação não supervisionada. Gama Generalizada. SAR.
Esta tese visa avançar no tópico de modelos espaciais ARMA condicionais para dados de imagem SAR. Primeiramente, propomos um modelo espacial ARMA conditional baseado na distribuição gama generalizada que incorpora a correlação espacial e o comportamento positivo e assimétrico dos dados SAR. Derivamos o vetor score, a matriz de informação de Fisher e os s-ésimos momentos. Estimamos os parâmetros modelo espacial ARMA gama generalizado (2D-GGARMA) por meio de um processo iterativo. Explicitamos a relação do nosso modelo com o processo de formação de imagens SAR. Estudos de Monte Carlo são realizados para analisar o comportamento dos estimadores de máxima verossimilhança condicional usando imagens SAR artificiais. Além disso, uma equação de predição e novos resíduos são propostos. Analisamos imagens SAR das enchentes brasileiras no Rio Grande do Sul no final de novembro de 2023 e início de maio de 2024 e comparamos nosso modelo com outros modelos espaciais, como os modelos espaciais Rayleigh-ARMA e Gama-ARMA. Analisamos as enchentes no Rio Grande do Sul com um classificador proposto que usa a distância de Mahalanobis para identificar a mudança na textura de uma imagem para outra. Os resultados mostram que nossa proposta supera os modelos comparados nesta aplicação. O segundo estudo elaborado é sobre a estimação do número equivalente de looks (ENL) em imagens SAR. Utilizando o modelo espacial proposto propomos dois novos estimadores para o ENL que leva em consideração a correlação espacial dos dados. Fizemos simulações de Monte Carlo visando comparar o menor erro quadrático médio (EQM) dos estimadores propostos e dos usuais da literatura, em diferentes cenários de número de looks e suposição de correlação espacial. Os resultados das simulações indicam que sob a presença de correlação espacial, os estimadores propostos tem menor EQM. Na aplicação com dados reais SAR, também encontramos um menor erro quadrático médio preditivo para os estimadores propostos em comparação com os usuais.