Você está aqui: Página Inicial > Notícias > Nova metodologia para o monitoramento sistemático da qualidade da água de reservatórios tropicais

Notícias

Nova metodologia para o monitoramento sistemático da qualidade da água de reservatórios tropicais

Artigo publicado no renomado periódico Remote Sensing (dezembro/2019) - Hybrid Chlorophyll-a Algorithm for Assessing Trophic States of a Tropical Brazilian Reservoir Based on MSI/Sentinel-2 Data (Traduzindo: Algoritmo híbrido de clorofila-a para a avaliação do estado trófico de um reservatório tropical brasileiro com base em dados do MSI/Sentinel-2) pelos...
publicado: 30/12/2019 15h39 última modificação: 30/12/2019 16h48

Artigo publicado no renomado periódico Remote Sensing (dezembro/2019) - Hybrid Chlorophyll-a Algorithm for Assessing Trophic States of a Tropical Brazilian Reservoir Based on MSI/Sentinel-2 Data (Traduzindo: Algoritmo híbrido de clorofila-a para a avaliação do estado trófico de um reservatório tropical brasileiro com base em dados do MSI/Sentinel-2) pelos pesquisadores do LabISA (Laboratório de Instrumentação de Sistemas Aquáticos) da OBT/INPE mostra uma nova abordagem para a estimativa da concentração da clorofila-a (chl-a) em reservatórios tropicais caracterizados por elevada amplitude de nível trófico, no tempo e no espaço.

A principal autora, Msc. Carolline Tressmann Cairo, é doutoranda do Programa de Sensoriamento Remoto – INPE e resume abaixo o trabalho desenvolvido no Reservatório Hidroelétrico de Ibitinga (São Paulo), que é o terceiro reservatório de um sistema em cascata construído ao longo do Rio Tietê e apresenta alta variabilidade espaço-temporal da concentração da chl-a (~3-1000 mg/m3).

Resumo:

O reservatório hidroelétrico de Ibitinga está localizado no médio Tietê, região central do estado de São Paulo, e é o terceiro reservatório de um sistema em cascata construído ao longo do Rio Tietê. A qualidade da água do reservatório vem sendo afetada, principalmente, pela grande expansão de cana-de-açúcar em sua bacia de drenagem desde o início do século XXI e também pelo despejo de esgoto sem tratamento adequado. Tais fatores agravam o processo de eutrofização das águas do reservatório, levando à ocorrência de episódios cada vez mais frequentes das chamadas florações de cianobactérias na época do verão. As consequências desse processo vêm sendo constantemente noticiadas nos meios de comunicação, como por exemplo a formação de uma pasta verde na superfície da água, a redução da quantidade de oxigênio dissolvido na água e a morte de toneladas de peixes nos reservatórios do sistema em cascata do Rio Tietê. Além disso, por ser um reservatório de regulação, o funcionamento da barragem controla a dinâmica hidráulica e trófica do reservatório, gerando uma elevada variabilidade espaço-temporal das propriedades ópticas e limnológicas.

Estudos anteriores realizados no reservatório de Ibitinga foram baseados em um único algoritmo de estimativa da concentração da chl-a para todo o reservatório, sendo o algoritmo calibrado e validado usando dados adquiridos em apenas uma campanha de campo. Portanto, o algoritmo não consegue capturar com precisão mudanças sazonais no estado trófico do reservatório. O presente estudo se concentrou em superar essa limitação, combinando algoritmos bio-ópticos e critérios de seleção de algoritmos usando a abordagem híbrida, que é uma abordagem que alterna entre algoritmos específicos para diferentes faixas de concentração de chl-a. Além disso, utilizou um banco de dados composto por medições adquiridas em diferentes estações do ano e anos hidrológicos, representando uma ampla gama de condições ópticas, limnológicas e tróficas do reservatório de Ibitinga.

No geral, a metodologia desta pesquisa englobou as seguintes etapas: A) organização do banco de dados composto por medidas de concentração da chl-a até 1000 mg/m3 e espectros de reflectância de sensoriamento remoto (Rrs) com correção do glint, obtidas em oito campanhas de campo realizadas no reservatório de Ibitinga nos anos de 2005, 2013, 2014 e 2018; B) estabelecimento de faixas específicas de concentração da chl-a usando um método de classificação óptica baseado no algoritmo Spectral Angle Mapper (SAM); C) calibração e validação dos algoritmos bio-ópticos em cada faixa específica de concentração da chl-a usando simulação Monte Carlo a partir de dados de Rrs in situ simulados para as bandas do MSI/Sentinel-2; D) desenvolvimento de um algoritmo híbrido óptico (OHA) baseado em um classificador de árvore de decisão; E) validação do OHA usando dados in situ; e F) aplicação do OHA na imagem MSI/Sentinel-2 com correção atmosférica e correção do glint, e validação do algoritmo comparando os valores estimados e medidos de chl-a.

Os resultados mostraram que o SAM dividiu o conjunto de dados em três classes tróficas ópticas, que representam diferentes faixas específicas de concentração de chl-a: a classe 1 varia de 2,89 a 22,83 mg/m3, a classe 2 varia de 19,51 a 87,63 mg/m3 e a classe 3 varia de 75,89 a 938,97 mg/m3. Além disso, os algoritmos bio-ópticos de melhor desempenho para as classes tróficas 1, 2 e 3 foram, respectivamente, o de 3 bandas (R² = 0,78; MAPE = 34,36%), slope (R² = 0,93; MAPE = 23,35%) e de 2 bandas (R² = 0,98; MAPE = 20,12%). Vale ressaltar também que o classificador da árvore de decisão mostrou uma precisão de 95% para detectar as classes tróficas ópticas do SAM. Por fim, o desempenho geral do OHA foi satisfatório usando dados in situ simulados para as bandas do MSI/ Sentinel-2 (R2 = 0,98; MAPE = 26,33%), mas reduzido quando aplicado na imagem do MSI/Sentinel-2 (R2 = 0,42; MAPE = 28,32%) devido à diferença temporal entre os matchups e à variabilidade na hidrodinâmica do reservatório.

O algoritmo híbrido desenvolvido neste estudo (OHA - Figura 1) é capaz de fornecer dois tipos de mapeamento da qualidade da água (Figura 2) por sensoriamento remoto, no caso um mapa de estado trófico e um mapa de estimativa da concentração da chl-a. A primeira etapa para aplicar o OHA na imagem do MSI/Sentinel-2 é verificar a regra da condicional com base na árvore de decisão (círculos pretos). Essas regras de decisão são aplicadas pixel por pixel na imagem com o intuito de classificar cada pixel em uma das três classes tróficas, tendo como saída um mapa de estado trófico (condição de eutrofização baixa, média ou alta). Em seguida, o algoritmo bio-óptico de melhor desempenho selecionado para cada classe trófica é aplicado pixel por pixel de acordo com sua classificação. Assim, é obtido o mapa de estimativa da concentração da chl-a.

Em resumo, OHA provou ser um método viável para estimar a concentração da chl-a no reservatório de Ibitinga. Além disso, o mapeamento do estado trófico e da concentração da chl-a usando a estrutura do OHA tem o potencial de ser expandido para outros tipos de sistemas aquáticos (por exemplo, lagos, rios e reservatórios) em diferentes condições ambientais e regiões do mundo. Isso porque cada algoritmo bio-óptico de chl-a que compõe a estrutura híbrida é ajustado para descrever cada conjunto de comportamento espectral resultante de diferentes combinações dos componentes na água. Vale ressaltar também que o uso da abordagem híbrida seria mais adequado para monitorar sistematicamente a concentração de chl-a em sistemas aquáticos com alta variabilidade óptica e trófica no espaço e no tempo, tendo o potencial de se consolidar como metodologia para projetos de monitoramento da qualidade da água. No futuro, essa abordagem permitirá criar séries temporais de concentração da chl-a para avaliar o impacto da expansão da cana-de-açúcar no aumento da proliferação de algas em diferentes reservatórios do estado de São Paulo.

Estrutura do algoritmo híbrido óptico (OHA) 

Figura 1. Estrutura do algoritmo híbrido óptico (OHA). Classes 1, 2, e 3 se referem a condições de eutrofização baixa, média e alta, respectivamente.

 

Distribuição espacial das (A) classes tróficas e da (B) estimativa da concentração da chl-a

Figura 2. Distribuição espacial das (A) classes tróficas e da (B) estimativa da concentração da chl-a baseada na aplicação do OHA na imagem MSI/Sentinel-2, concomitante com a campanha de campo de 13-agosto-2018 no reservatório de Ibitinga. Classes 1, 2, e 3 se referem a condições de eutrofização baixa, média e alta, respectivamente.

Veja o Artigo completo aqui