Detecção, monitoramento e previsão de anomalias com aplicação em estudos de caso relacionados à floração de algas potencialmente tóxicas utilizando dados multitemporais de sensoriamento remoto e algoritmos de Aprendizado de Máquina

• Ano de defesa: 2021
• Autor(a) principal: Ananias, Pedro Henrique Moraes [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Sensoriamento Remoto; Floração de Algas; Aprendizado de Máquina; Anomalia; Classificação; Séries multitemporais; Remote Sensing; Algal Bloom; Machine Learning; Anomaly; Classification; Multitemporal series
• Link de acesso: http://hdl.handle.net/11449/214487

Globalmente, foram observadas nos últimos anos severas mudanças ambientais e climáticas. Neste cenário, destacam-se o aumento de eventos de floração de algas tóxicas, responsáveis pela degradação da qualidade da água e, principalmente, ameaça à saúde dos seres vivos. Estudos apontam para a necessidade de monitoramento e previsão desse fenômeno, os quais podem ser conduzidos segundo a concentração de clorofila. Perante esta motivação, utilizando-se técnicas de Aprendizado de Máquina e séries multitemporais de dados obtidos por Sensoriamento Remoto, foram desenvolvidos dois novos métodos capazes de proporcionar suporte à detecção e previsão de floração de algas. O primeiro visa a detecção automática do fenômeno e aplica conceitos de classificação de imagens por meio do emprego do algoritmo One-class Support Vector Machine. O segundo método é responsável por prever o seu surgimento. Como forma de evidenciar o potencial e viabilidade das propostas, os algoritmos foram aplicados em estudos de caso em áreas suscetíveis à ocorrência de floração de algas tóxicas.