Uso do sensoriamento remoto para avaliação da dinâmica espaço-temporal de parâmetros de qualidade da água de um reservatório urbano
Carregando...
Data
Autor(es)
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Minas Gerais
Descrição
Tipo
Dissertação de mestrado
Título alternativo
Primeiro orientador
Membros da banca
Maria Clara Vieira Martins Starling
Felipe de Lucia Lobo
Felipe de Lucia Lobo
Resumo
A avaliação de padrões e tendências da qualidade da água de reservatórios e lagos é
rotineiramente prejudicada pela carência de dados históricos regulares de
monitoramento. Técnicas convencionais de monitoramento são limitadas pela baixa
representatividade espacial e temporal, dificuldade de acesso e limitação de recursos
financeiros. Nos últimos anos, o sensoriamento remoto tem ampliado a
representatividade espacial e temporal do monitoramento da qualidade da água por
intermédio da reconstrução de séries históricas e do monitoramento da extensão
superficial dos corpos hídricos, tornando-se um complemento ao monitoramento in
situ. Este estudo, por meio de imagens de satélites e respectivos sensores do Landsat-
8 (OLI) e Sentinel-2 (MSI), corrigidas por algoritmo de correção atmosférica (SIAC),
buscou estimar as concentrações de sólidos suspensos totais (TSM), clorofila-a
(Chla), turbidez, e as medidas da profundidade do disco de Secchi (SDD) para um
reservatório urbano, a Lagoa da Pampulha (Belo Horizonte, MG, Brasil). Os dados
dos sensores foram concatenados com os dados dos programas de monitoramento
limnológico históricos realizados no reservatório por órgãos governamentais entre
2013 e 2022. A base de dados foi então modelada por meio do ajuste de modelos
existentes na literatura e modelos propostos para o presente trabalho. Para maior
robustez na modelagem, investigou-se métodos de regressão linear e não linear,
univariados e multivariados, com a implementação de validação cruzada combinada
com simulação de Monte Carlo (10,000 repetições). O desempenho dos modelos foi
avaliado, na calibração, por meio do coeficiente de determinação (R2) e, na validação,
pela raiz do erro médio quadrático (RMSE) e pelo RMSE normalizado pela média
(nRMSE). Os modelos escolhidos do Landsat-8 foram: TSM (n=45) usando Random
Forest com R² de 0,89, RMSE de 7,8 (mg/L) e nRMSE de 28%; Chla (n=49) usando
regressão polinomial com R² de 0,77, RMSE de 91,8 (μg/L) e nRMSE de 95%; SDD
(n=23) usando Random Forest com R² de 0,62, RMSE de 0,1 (m), nRMSE de 30%, e
Turbidez (n=16) usando regressão linear com R² de 0,8, RMSE de 26,2 (NTU) e
nRSMSE de 52%. Os modelos escolhidos do Sentinel-2 foram: TSM (n=53) usando
Random Forest com R² de 0,72, RMSE de 8,5 (mg/L) e nRMSE de 42%, Chla (n=54)
usando regressão linear com R² de 0,38, RMSE de 51,6 (μg/L) e nRMSE de 92%,
SDD (n=33) usando Random Forest com R² de 0,89, RMSE de 0,1 (m) e nRMSE de
15%, e Turbidez (n=9) usando MLR com R² de 0,97, RMSE de 3,4 (NTU) e nRMSE
de 15%. Os modelos selecionados foram aplicados em imagens sem interferência de
nuvens do Landsat-8 e Sentinel-2 derivando uma matriz multidimensional única de
dados dos parâmetros de qualidade de água modelados com dimensões (tempo= 155,
y=71 e x=95). Por meio de técnica de agrupamento, cinco regiões homogêneas foram
identificadas no reservatório e obteve-se diferença significativa (p-valor<5%) na
qualidade da água para comparações entre período chuvoso e período seco, períodos
em relação ao tratamento químico da Lagoa e anos mais ou menos úmidos, conforme
indicação do índice padronizado de precipitação. Observou-se tendência de melhora
da qualidade da água para o período modelado (2013-2022) com a ocorrência de
redução dos parâmetros TSM, Chla e Turbidez e aumento do SDD, inferida por meio
de coeficiente da reta derivado de teste estatístico de Theil-Sen combinado com teste
de Mann-Kendall Seasonal. A ampliação da quantidade de dados na escala temporal
e espacial, mais as análises realizadas com sustentação em informações quantitativas
contribuem com diretrizes para estudos futuros e entidades responsáveis pelo
gerenciamento do reservatório.
Abstract
The assessment of patterns and trends in the water quality of reservoirs and lakes is
routinely hindered by the lack of regular historical monitoring data. Conventional
monitoring techniques are limited by spatial and temporal representativeness,
accessibility challenges, and financial constraints. In recent years, remote sensing has
expanded the spatial and temporal representativeness of water quality monitoring
through the reconstruction of historical series and monitoring of the surface extent of
water bodies, becoming an add-on to in situ monitoring. This study, using satellite
images obtained from their sensors from Landsat-8 (OLI) and Sentinel-2 (MSI),
corrected by an atmospheric correction algorithm (SIAC), aimed to estimate the
concentrations of total suspended matter, chlorophyll-a, and turbidity, as well as Secchi
disk depth measurements for an urban reservoir, known as Lagoa da Pampulha,
located in Belo Horizonte-MG, Brazil. Satellite-sensor data was combined with
historical water quality monitoring data collected by government agencies between
2013 and 2022. The data was then modeled through the adjustment of existing
literature models and models proposed by this study. To increase modeling
robustness, univariate and multivariate linear and nonlinear regression methods were
investigated, with the implementation of cross-validation method combined with Monte
Carlo simulation (10,000 repetitions). Model performance was evaluated, in calibration,
using the coefficient of determination (R2), and, in validation, by the root mean square
error (RMSE) and nRMSE, which is represent RMSE normalized by the observed
sample mean. The chosen models from Landsat-8 were: TSM (n=45) using Random
Forest model with R² of 0.89, RMSE of 7.8 (mg/L) and nRMSE of 28%; Chla (n=49)
using polynomial regression model with R² of 0.77, RMSE of 91.8 (μg/L), and nRMSE
of 95%; SDD (n=23) using Random Forest model with R² of 0.62, RMSE of 0.1 (m)
and NRMSE of 30%; and Turbidity (n=16) using linear regression model with R² of 0.8,
RMSE of 26.2 (NTU) and NRMSE of 52%. The chosen models from Sentinel-2 were:
TSM (n=53) using Random Forest model with R² of 0.72 RMSE of 8.5 (mg/L), and
nRMSE of 42%; Chla (n=54) using linear regression model with R² of 0.38, RMSE of
51.6 (μg/L), and nRMSE of 92%; SDD (n=33) using Random Forest with R² of 0.89,
RMSE of 0.1 (m) and nRMSE of 15%; and Turbidity (n=9) using multiple linear
regression with R² of 0.97, RMSE of 3.4 (NTU) and nRMSE of 13%. The selected
models were applied to cloud-free images from Landsat-8 and Sentinel-2, resulting in
a unique multidimensional array of water quality model parameters with dimensions
(time=155, y=71, and x=95). Through cluster analysis,five homogeneous regions were
identified in the reservoir, and there was a significant difference (p-value<5%) in water
quality when comparing the rainy and dry seasons, periods related to the chemical
treatment of the Lagoon, and wetter or drier years, as indicated by the standardized
precipitation index. An improving trend in water quality was observed for the modeled
period (2013-2022) with a decrease in TSM, Chla, and turbidity parameters, and an
increase in SDD, inferred through the slope coefficient derived from Theil-Sen
statistical test combined with seasonal Mann-Kendall test. The expansion of data
quantity in the temporal and spatial scale, along with the analyses supported by
quantitative information, provide guidelines for future studies and entities responsible
for reservoir management.
Assunto
Engenharia sanitária, Recursos hídricos - Desenvolvimento, Detectores óticos, Monitoramento ambiental, Água - Qualidade, Pampulha, Lagoa da (MG)
Palavras-chave
Sensores ópticos, Constituintes opticamente ativos, Monitoramento