Pesquisadores e colaboradores do Laboratório de Instrumentação em Sistemas Aquáticos do INPE (LabISA-INPE) publicam novo artigo intitulado "Hybrid Semi-Analytical Algorithm for Estimating Chlorophyll-A Concentration in Lower Amazon Floodplain Waters" (Tradução: Algoritmo Semi-Analítico Híbrido para Estimativa da Concentração de Clorofila-A em Águas de Várzea do Baixo Amazonas) onde apresentam uma abordagem semi-analítica híbrida para a estimativa da concentração de Clorofila-A em águas altamente túrbidas das planícies de inundação amazônicas. Esta pesquisa foi financiada a partir de projetos do Fórum Belmont 2017-2018, BiodivERsA, FAPESP (2014/23903-9, 2018/12083-1) e MAS-BNDES (1022114003005).

 O artigo encontra-se disponível em: https://doi.org/10.3389/frsen.2022.834576

Resumo:

A Bacia Amazônica é a maior do planeta, e seus ecossistemas aquáticos afetam e são afetados pelos processos da Terra. Especificamente, os ecossistemas aquáticos da Amazônia têm sido submetidos a graves impactos antropogênicos devido ao desmatamento, mineração, construção de barragens e expansão generalizada do agronegócio. Neste sentido, o monitoramento desses impactos tornou-se fundamental para os planos de conservação e aplicação da legislação ambiental. No entanto, suas dimensões continentais, a alta variabilidade dos constituintes da massa de água amazônica e a frequência de cobertura de nuvens impõem um desafio para o desenvolvimento de algoritmos de satélite precisos para recuperação da qualidade da água, como a concentração de Clorofila-a (Chl-a), que é um proxy para o Índice de Estado Trófico. Este estudo apresenta a primeira aplicação do algoritmo semi-analítico híbrido (HSAA) para a obtenção da concentração de Chl-a usando o sensor Sentinel-3 OLCI sobre cinco lagos de várzea Amazônica. Propriedades ópticas inerentes e aparentes (IOPs e AOPs), bem como dados limnológicos, foram coletados em 94 estações durante quatro campanhas de campo ao longo dos anos de 2015 a 2017 e utilizados para parametrizar o SAA híbrido. Nós implementamos uma abordagem de reparametrização, chamada de Generalized Stacked Constraint Model para as águas amazônicas (GSCM_LAFW), e a usamos para obter a partir da absorção total α_t(λ), os coeficientes de absorção de detritos, CDOM e fitoplâncton (α_phy(λ)). O α_phy(λ) estimado pelo GSCM_LAFW obteve erros inferiores a 24% nas bandas visíveis e 70% no NIR. O desempenho da estimativa da Chl-a baseada no HSAA foi validado com medições in situ da concentração de Chl-a e, em seguida, foi comparado com algoritmos de Chl-a da literatura. Os resultados mostraram um erro percentual absoluto médio (MAPE) menor utilizando o HSAA (36,93%) do que os modelos R_rs empíricos (73,39%). Por fim, o modelo HSAA calibrado foi usado para estimar a concentração de Chl-a em imagens OLCI adquiridas durante as campanhas de campo de 2017 e 2019, e os resultados demonstraram erros razoáveis (MAPE = 57%) e indicaram o potencial das bandas OLCI para estimativa de Chl-a. Portanto, os resultados deste estudo apoiam o avanço de modelos semi-analíticos em águas altamente turvas e destacam a importância da reparametrização com GSCM e a aplicabilidade do HSAA nos dados do Sentinel-3 OLCI.

Figura 1: Área de estudo com lagos de várzea amazônica: Lago Grande Curuai (LGC), Monte Alegre, Paru, Pacoval e Aramanaí. Os locais de amostragem são representados como pontos vermelhos. Imagem de fundo: composição em cores reais da imagem Sentinel-3 OLCI adquirida em 16 de julho de 2016. 

Figura 2: Gráfico de dispersão entre Chl-a medida em campo e Chl-a estimada com algoritmo 2B (primeira fileira) usando (A) R_rs(λ)_sim e (B) HSAA; e algoritmo 3B (segunda fileira) usando (C) Rrs(λ)sim e (D) e HSAA. Os dados em vermelho referem-se ao modelo desenvolvido com ajuste linear, enquanto os dados em azul referem-se ao algoritmo desenvolvido com ajuste quadrático. Observe que os dados em cada gráfico correspondem ao conjunto de dados de validação mais próximo da moda dos valores MAPE e podem não ser os mesmos em todos os gráficos.