Detalhes bibliográficos
Ano de defesa: |
2019 |
Autor(a) principal: |
Guimarães, Tainá Thomassim |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
http://www.teses.usp.br/teses/disponiveis/18/18139/tde-03092019-160041/
|
Resumo: |
Medidas complementares ao monitoramento in situ da qualidade da água podem ser obtidas por meio de sensoriamento remoto, sendo clorofila-a e sólidos suspensos alguns dos parâmetros que podem ser estimados. Este trabalho teve como objetivo explorar técnicas de processamento de imagens, análises estatísticas e de inteligência artificial com o objetivo de predizer e modelar as concentrações de clorofila-a e sólidos suspensos totais na Represa do Lobo/SP. Metodologicamente, foram realizadas coletas em campo, em três diferentes datas, para amostragem de água e posterior análise laboratorial. Os resultados limnológicos foram analisados, modelados e comparados com imagens processadas do satélite Sentinel-2. Análises de regressão e redes neurais artificiais (RNA) foram exploradas para gerar modelos de predição para a área de estudo. Os resultados indicam que métodos de regressão podem não ser adequados para capturar as relações lineares e/ou não-lineares entre os compostos de interesse e as respostas espectrais da água recebidas pelo satélite, indicando a capacidade das redes neurais em modelar relações mais complexas. Através da integração da resposta que o sensor MSI do satélite Sentinel-2 coletou nas regiões do visível ao infravermelho médio e de RNAs foi possível modelar a concentração de clorofila-a, com valores de R² superiores a 0,65 e de RMSE inferiores a 2,5 μg/L, e gerar mapas que permitam seu monitoramento temporal e análise espacial na área de estudo. Os resultados para SST não foram satisfatórios devido à complexidade óptica do ambiente analisado, bem como as baixas concentrações de SST na represa. Portanto, a integração de dados de sensoriamento remoto no mapeamento de corpos d\'água com a aplicação de redes neurais na análise de dados é uma abordagem promissora para prever clorofila-a e sólidos suspensos, bem como suas variações temporais e espaciais. |