Monitoramento da qualidade da água utilizando sensoriamento remoto e aprendizado de máquina

O método convencional de monitoramento da qualidade das águas (QA) continentais é realizado por meio de amostragens pontuais. Embora confiável, esse método apresenta limitações expressivas na representação da variabilidade espacial e temporal dos parâmetros de QA, além de ser oneroso e demandar grande esforço operacional, principalmente num país de dimensões continentais como o Brasil. Nesse contexto, torna-se essencial a busca de alternativas complementares que ampliem a eficiência e a abrangência do monitoramento qualitativo das águas superficiais. A utilização de imagens orbitais surge, portanto, como uma alternativa promissora aprimorar a avaliação contínua da QA. No entanto, o uso de imagens orbitais ainda enfrenta limitações relacionadas às resoluções espectral, espacial, temporal e radiométrica, o que pode comprometer a precisão das avaliações. Nesse cenário, a constelação de nanossatélites Planet surge como uma alternativa viável, oferecendo alta frequência de revisita e elevada resolução espacial. Diante desse contexto, o objetivo deste trabalho foi desenvolver uma metodologia que permita o monitoramento, com elevada frequência, dos parâmetros de qualidade da água (T, SST, Chla, P, N, DQO, OD e Fe) em ambientes lênticos e lóticos, baseada em produtos de sensoriamento remoto e técnicas de aprendizado de máquina. Contudo, as imagens captadas pelos sensores PlanetScope (PS) frequentemente apresentam inconsistências radiométricas devido à variabilidade entre os diferentes satélites da constelação, comprometendo a homogeneidade da série temporal. Desta forma, para alcançar o referido objetivo, a pesquisa foi estruturada em dois capítulos: (i) Normalização radiométrica relativa para a constelação de nanossatélites PS com base em imagens Sentinel-2 (S2); e (ii) Proposição de modelos de aprendizado de máquina aplicados à predição de parâmetros da qualidade da água na bacia do rio Paraopeba. No primeiro capítulo foi desenvolvido um modelo de normalização radiométrica das imagens PS com base em imagens S2, aplicando cinco algoritmos de aprendizado de máquina: Multiple Linear Regression (MLR), Model Averaged Neural Network (avNNet), Random Forest (RF), k-Nearest Neighbors (KKNN) e Support Vector Machines com kernel de função de base radial (SVM-RBF), em um conjunto de dados que abrange o período de 2017 a 2022. No segundo capítulo foi proposta uma metodologia para predição da QA em ambientes lênticos e lóticos, utilizando dados de sensoriamento remoto e técnicas de aprendizado de máquina. Para isso, foram utilizados os dados (2016 a 2023) de 24 estações de monitoramento da QA localizadas ao longo do rio Paraopeba e no reservatório de Três Marias. Os dados compilados foram organizados em três subconjuntos de dados: (i) dados derivados de imagens S2; (ii) dados provenientes de imagens brutas PS; e (iii) dados obtidos a partir das imagens PS normalizadas com a metodologia do capítulo 1. Quatro algoritmos foram testados: avNNet, RF, KKNN e SVM-RBF. A avaliação do desempenho dos modelos foi realizada utilizando-se as seguintes métricas estatísticas: raiz do erro quadrático médio – RMSE, erro médio absoluto – MAE, coeficiente de correlação de concordância de Lin – CCC e o coeficiente de determinação - R². A normalização radiométrica desenvolvida para o sensor PS, com base nos dados S2, mostrou-se necessária e adequada para atenuar as inconsistências da constelação de nanossatélites da Planet. O modelo SVM-RBF apresentou o melhor desempenho para a normalização radiométrica de todas as bandas do sensor PS, especialmente para as de maior comprimento de onda (bandas 3 e 4), alcançando baixos valores de RMSE (0,032 a 0,034) e elevados valores de R² e CCC, os quais variaram de 0,77 a 0,90 e 0,87 a 0,95, respectivamente. Os dados provenientes dos sensores PS normalizados apresentaram melhor desempenho na predição dos parâmetros de QA em comparação aos dados PS brutos e do S2. O modelo desenvolvido com base no algoritmo RF demonstrou maior robustez em comparação aos modelos baseados nos algoritmos Cubist, KKNN e SVM-RBF. Dessa forma, a metodologia proposta se mostrou robusta e capaz de complementar o monitoramento tradicional da qualidade da água, especialmente para os parâmetros T, SST, Fe, P e OD, oferecendo alta resolução temporal e espacial. Essa abordagem possibilita um avanço no monitoramento da qualidade das águas superficiais, bem como na avaliação dos impactos de eventos atípicos (extremos) sobre a qualidade dos recursos hídricos. Palavras-chave: águas continentais; desastres ambientais; eventos extremos; monitoramento ambiental; gestão dos recursos hídricos.