Você está aqui: Página Inicial > Notícias OBT INPE > Artigo na Remote Sensing Applications aborda tipos ópticos de água com aprendizagem de máquina

Notícias

Artigo na Remote Sensing Applications aborda tipos ópticos de água com aprendizagem de máquina

O artigo “A machine learning approach for monitoring Brazilian optical water types using Sentinel-2 MSI” (Tradução: Uma abordagem de aprendizado de máquina para monitorar tipos brasileiros ópticos de água usando Sentinel-2 MSI) foi publicado recentemente na Remote Sensing apllications: Society and environment por pesquisadores da DIOTG/INPE e membros do LabISA/INPE...
publicado: 19/08/2021 11h00 última modificação: 19/08/2021 11h38

O artigo “A machine learning approach for monitoring Brazilian optical water types using Sentinel-2 MSI” (Tradução: Uma abordagem de aprendizado de máquina para monitorar tipos brasileiros ópticos de água usando Sentinel-2 MSI) foi publicado recentemente na Remote Sensing apllications: Society and environment por pesquisadores da DIOTG/INPE e membros do Laboratório de Instrumentação em Sistemas Aquáticos (LabISA/INPE), CDTec / UFPel, Universidade Federal do Paraná e SERTIE (Unesp - Presidente Prudente).

O artigo aborda a calibração de um método de machine learning para detectar classes ópticas (OWTs) encontradas no Brasil, como águas claras, de turbidez moderada, eutróficas e túrbidas, eutróficas e claras, hipereutróficas, ricas em matéria orgânica colorida dissolvida (CDOM), túrbidas e de turbidez elevada. O método utiliza o sensor Sentinel-2 MSI, com imagens disponíveis desde 2015 e resolução espacial de 20 m, possibilitando a investigação de rios, lagos e reservatórios suscetíveis a eutrofização, alto aporte de sedimentos e enriquecimento de CDOM. Além disso, o método é capaz de reconhecer novas classes ópticas que não foram utilizadas na calibração do algoritmo, ampliando a sua utilização para regiões poucos estudadas e sem dados de campo. Essa ampliação é de extrema relevância no Brasil, onde há uma grande quantidade de corpos d’água, mas apenas uma fração é estudada devido à ausência de dados de campo para calibração de algoritmos regionais.

Mais informações estão disponíveis no artigo que pode ser acessado em: https://doi.org/10.1016/j.rsase.2021.100577.

O algoritmo de machine learning e a reprodução do estudo estão implementados em linguagem Python e podem ser acessados em: https://github.com/edsonfreirefs/A-machine-learning-approach-for-monitoring-Brazilian-optical-water-types-using-Sentinel-2-MSI.

 Dados de Sensoriamento Remoto e Classes Ópticas no reservatório de Funil entre 2018 e 2020

Figura. À esquerda, a reflectância de sensoriamento remoto (Rrs), concentração de clorofila-a (Chl-a), concentração do material particulado em suspensão (TSM), coeficiente de absorção do CDOM em 440 nm e a profundidade do disco de secchi (Zsd) para cada OWT. A tabela corresponde aos valores medianos e o intervalo interquartil entre parênteses. À direita, a predominância de cada classe óptica no reservatório de Funil entre 2018 e 2020, obtida pelo método desenvolvido no estudo.