MODELOS DE APRENDIZADO DE MÁQUINA APLICADOS A PREDIÇÃO DE PARÂMETROS DA QUALIDADE DA ÁGUA NA BACIA DO RIO PARAOPEBA

Código

XXVI-SBRH0086

Autores

RAFAEL LUÍS SILVA, Ricardo Santos Silva Amorim, Demetrius David da Silva, Elpídio Inácio Fernandes-Filho, Gustavo Vieira Veloso, Ronam Henrique Fonseca Macedo

Tema

J - Qualidade da Água em Sistemas Ambientais

Resumo

O monitoramento da qualidade da água (QA) é fundamental para avaliar os recursos hídricos e detec-tar padrões nos compostos presentes. Os métodos tradicionais de monitoramento por meio de amos-tragens pontuais, apresentam limitações em frequência e cobertura espacial, que compromete sua efi-ciência em eventos extremos e, além disso, são muito onerosos. Nesse cenário, o sensoriamento remo-to surge como ferramenta complementar para ampliar a escala espacial e temporal do monitoramento pelos métodos tradicionais. Contudo, limitações nas resoluções espectral, espacial, temporal e radio-métrica ainda impõem desafios à precisão das estimativas. Este estudo propõe uma metodologia para estimar parâmetros de QA, tanto opticamente ativos quanto não ativos, em ambientes lóticos e lênti-cos, por meio do uso de dados orbitais e técnicas de aprendizado de máquina. Foram utilizados três conjuntos de dados: imagens Sentinel-2 (S2), imagens brutas PlanetScope (PS) e imagens PS norma-lizadas. Os dados foram obtidos entre 2016 e 2023, em 24 estações na bacia do rio Paraopeba. Quatro algoritmos foram aplicados: Random Forest (RF), k-Nearest Neighbors (KKNN), Support Vector Machines com Kernel RBF (SVM-RBF) e Cubist. O desempenho dos modelos foi avaliado por RMSE, MAE, CCC e R². Modelos baseados em dados PS normalizados apresentaram melhor de-sempenho, com destaque para os algoritmos baseados em árvores, validando a abordagem proposta para aplicações ambientais.