Integrando sensoriamento remoto e aprendizado de máquina para detectar anomalias de turbidez em reservatórios hidrelétricos
Anderson P. Souza, Bruno A. Oliveira, Mauren L. Andrade, Maria Clara V.M. Starling, Alexandre H. Pereira, Philippe Maillard, Keiller Nogueira, Jefersson A. dos Santos, Camila C. Amorim.
Science of The Total Environment, vol. 902, article 165964, 2023.
https://doi.org/10.1016/j.scitotenv.2023.165964
Resumo
O monitoramento da qualidade da água nos reservatórios é essencial para a manutenção dos ecossistemas aquáticos e dos serviços socioeconômicos. Neste cenário, a observação de elevações abruptas de parâmetros físico-químicos, como turbidez e outros indicadores, pode sinalizar anomalias associadas à ocorrência de eventos críticos, exigindo ações operacionais e planejamento para mitigar impactos ambientais negativos sobre os recursos hídricos. Este trabalho tem como objetivo integrar métodos de Machine Learning especializados em detecção de anomalias com dados obtidos de imagens de sensoriamento remoto para identificar eventos de alta turbidez nas águas superficiais do Reservatório Hidrelétrico de Três Marias. Foram avaliados quatro cenários distintos baseados em limites, nos quais o desempenho global, baseado na pontuação F1, mostrou tendências decrescentes à medida que os limites se tornaram mais restritivos. De forma geral, os mapas de identificação de anomalias gerados através dos modelos ratificaram a aplicabilidade dos métodos no diagnóstico de águas superficiais em reservatórios em contextos hidrológicos distintos (seco e úmido), identificando efetivamente locais com valores anômalos de turbidez.
Resumo gráfico
