Desenvolvimento de sistema de monitoramento da concentração de sólidos suspensos totais em reservatórios com base em sensor multiespectral acoplado a aeronave remotamente pilotada e aprendizado de máquina

• Autor(a) principal: Dias, Rafael Luís Silva
• Data de Publicação: 2020
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/28376
• topic: Sensoriamento remoto; Espectrometria; Água - Qualidade; Monitoramento; Imagens multiespectrais; Engenharia de Água e Solo

O monitoramento da qualidade da água é fundamental para a manutenção e conservação dos recursos hídricos. O método convencional de monitoramento é feito por amostragens pontuais, que se limitam a representar a variabilidade espacial dos seus parâmetros, sendo expressivamente oneroso. Uma alternativa promissora constitui-se nas técnicas de sensoriamento remoto com o uso de sensores orbitais, que vêm sendo aplicadas para mapear parâmetros de qualidade da água, principalmente os Componentes Opticamente Ativos (COAs), como os Sólidos Suspensos Totais (SST), Clorofila-a (Chl-a) e Matéria Orgânica Dissolvida Colorida (CDOM). No entanto, o monitoramento de pequenos reservatórios com sensores orbitais sempre apresenta limitações, como as resoluções espectrais, espaciais ou temporais. Além disso, todos os sensores ópticos orbitais estão sujeitos a perturbações atmosféricas, além das nuvens, principalmente no período de chuva, justamente quando o carreamento de sedimentos é mais intenso. Nesse contexto, o objetivo deste trabalho foi desenvolver um sistema de monitoramento da concentração de Sólidos Suspensos Totais (SST) em reservatórios com base em sensores multiespectrais acoplados a uma Aeronave Remotamente Pilotada (RPA). Para isso, foi utilizado um sensor multiespectral MicaSense RedEdge, que possui cinco bandas nas faixas dos espectros do azul, verde, vermelho, rededge e infravermelho (NIR). Foram realizadas quatro campanhas de in loco, em diferentes estações do ano, variando desde o período de estiagem de 2019 ao período com condições de chuva extremas de 2020. Dois reservatórios de acumulação de água totalmente inseridos no bioma de Mata Atlântica foram escolhidos. Os dados foram submetidos a cinco diferentes algoritmos de aprendizado de máquina: Random Forest (RF), Support Vector Machines Radial Sigma (SVM-RS), Multivariate Adaptive Regression Spline (MARS), Multiple Linear Regression (MLR) e Cubist, a fim de estimar a concentração de SST nos reservatórios, tendo sido usados os índices estatísticos raiz do erro quadrático médio (RMSE), erro absoluto médio (MAE) e coeficiente de determinação (r²) na comparação entre os valores preditos e observados. Os resultados mostraram que o Recursive Feature Elimination (RFE) reduziu significativamente o número de covariáveis dos modelos de aprendizado de máquina. O modelo SVM-RS foi o que teve o melhor ajuste aos dados, enquanto o RF apresentou grandes dificuldades para extrapolar o limite para qual foi treinado. Para os modelos Cubist e MARS o desempenho foi moderado e para o MLR foi mais limitado, não conseguindo boas predições de SST. Este estudo demostra que a utilização de sensor multiespectral acoplado a RPA apresenta elevado grau de precisão na estimativa de SST em pequenos reservatórios. Palavras-chave: Sensoriamento remoto. Espectrometria. Água - Qualidade. Monitoramento. Imagens multiespectrais.