Aplicação de sensoriamento remoto e aprendizado de máquina na estimativa de turbidez de corpos hídricos.

Abstract

Sabe-se que água é um recurso natural essencial para diversos fins, entretanto, devido ao consumo exacerbado e o crescimento populacional, que demanda cada vez mais desse bem, torna-se necessário a ampliação de sistemas de monitoramento quantitativo e qualitativo. Muito tem-se discutido acerca da implementação de tecnologias como a inteligência artificial (IA) para automatizar processos, inclusive no meio ambiental, onde as IAs têm se tornado cada vez mais recorrentes nos monitoramentos, permitindo a coleta simultânea de dados com maior confiabilidade e agilidade. Neste trabalho, objetivou-se desenvolver um método de aprendizado de máquina utilizando o modelo Random Forest (RF). Inicialmente, foram coletados 5731 dados de turbidez de monitoramento convencional da bacia do rio Doce, obtidos pelo portal Programa de Monitoramento Quali-Quantitativo Sistemático de Água e Sedimento (PMQQS), e as coordenadas dos pontos foram organizadas em uma planilha do Excel. Em seguida, esses dados foram processados no QGIS para extrair polígonos correspondentes às áreas de água. Utilizou-se imagens do satélite Sentinel-2, obtidas por meio do Google Earth Engine (GEE) com 10 bandas espectrais, as quais passaram por correção atmosférica no próprio GEE antes de serem processadas no Phyton. O sistema foi treinado com os dados de turbidez obtidos in situ entre 07/08/2017 e 19/12/2024, divididos em conjuntos de treinamento (70%) e teste (30%). A verificação do modelo foi realizada por meio de métricas de precisão, sendo essas: Erro Absoluto Médio (MAE); Erro Quadrático Médio (MSE); Raiz do Erro Quadrático Médio (RMSE); viés (bias); coeficiente de Eficiência de Nash-Sutcliffe (NSE); coeficiente de correlação de Pearson (r); coeficiente de determinação (R²). Os resultados foram representados em um gráfico de dispersão, onde é possível interpretar que o modelo conseguiu alcançar resultados com boa precisão, apesar do viés revelar uma leve tendência do modelo implementado em subestimar os valores de turbidez. Recomenda-se, portanto, a continuidade de estudos para aprimorar a modelagem e implementar melhorias ao modelo de estimativa de turbidez.