Aplicação de técnicas de aprendizado de máquina e imagens multiespectrais para a estimativa da concentração de sólidos suspensos totais no Lago Igapó, na cidade de Londrina (PR)
Ano de defesa: | 2022 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Tecnológica Federal do Paraná
Londrina |
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Ambiental
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://repositorio.utfpr.edu.br/jspui/handle/1/29799 |
Resumo: | A drenagem urbana de águas pluviais representa um dos grandes desafios da área ambiental em todo o mundo. Um dos efeitos indesejados e imediatos do escoamento superficial das águas da chuva é o transporte de sedimentos e de poluentes para dentro dos corpos hídricos. Os Sólidos Suspensos Totais (SST) representam um dos parâmetros críticos e de maior interesse no monitoramento ambiental e na implementação de Soluções Baseadas na Natureza. Dessa forma, este trabalho se propõe a avaliar uma alternativa às medidas in situ, através da predição da concentração de SST de forma automatizada, a partir do uso de técnicas de Aprendizado de Máquina (AM), combinadas com imagens multiespectrais de alta resolução espacial capturadas por Veículo Aéreo não Tripulado (VANT) do Lago Igapó, na cidade de Londrina (PR). A campanha de medidas considerou 40 pontos de coleta, com alguns parâmetros analisados in situ com o auxílio de uma sonda multiparamétrica (potencial hidrogeniônico (pH), Condutividade elétrica (CE), Temperatura, Porcentagem de oxigênio dissolvido (OD), Concentração de OD, Salinidade; Pressão e Sólidos Dissolvidos Totais (SDT)) e as concentrações de SST medidas em laboratório. Simultaneamente ao processo de coleta das amostras de água, foram capturadas imagens multiespectrais nas bandas Green, Red, Red Edge e Near Infrared com o auxílio de um VANT. As técnicas de AM utilizadas foram Floresta Aleatória (FA), Regressão Linear (RL), Regressão de Ridge, Regressão de Lasso e Regressão ElasticNet, que foram aplicadas em diferentes condições (número original de amostragens, número reduzido pela remoção de outliers e número ampliado por interpolação). A capacidade de predição dos modelos de AM testados foram avaliados pelos valores do Erro quadrático médio (EQM) e pelo coeficiente de determinação R quadrado (R²). Os parâmetros mensurados, foram comparados com os padrões de qualidade estabelecidos na Resolução do Conselho Nacional De Meio Ambiente (CONAMA) 357/2005, para água doce classe 1, assim, foi possível afirmar que os valores encontrados nesta pesquisa, satisfazem as exigências estabelecidas nesta resolução. Os modelos de AM que apresentaram melhores capacidade de predição foram: FA com R² de 62,30% e EQM de 5,48; RL com R² de 16,53% e EQM de 18,62; Regressão Ridge, de Lasso e de Elasticnet com R² de 16,37% e EQM de 18,69. Todos os melhores resultados foram encontrados ao ser utilizado os valores de SST interpolados. Esta metodologia, trata se de uma ferramenta promissora e com grande chance de substituir as medidas in situ no futuro. A ampliação do número de pontos de amostragem, considerando campanhas realizadas sob diferentes cargas de sedimentos, pode melhorar significativamente a capacidade de predição dos modelos testados. |