Integração de Sensores Orbitais e Aprendizado de Máquina no Monitoramento de Reservatórios de Abastecimento Público: Estimativa de Clorofila-a no Reservatório de Taiaçupeba (SP).

• Processo: 25/07449-0
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Data de Início da vigência: 01 de setembro de 2025
• Data de Término da vigência: 28 de fevereiro de 2026
• Área de conhecimento: Engenharias - Engenharia Sanitária - Recursos Hídricos
• Pesquisador responsável: Marcelo Luiz Martins Pompêo
• Beneficiário: Bianca Carolina Sant'Ana Silva
• Supervisor: Paolo Ettore Gamba
• Instituição Sede: Instituto de Biociências (IB). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Instituição Anfitriã: Università degli Studi di Pavia, Itália
• Vinculado à bolsa: 24/02468-4 - Utilização de imagens com resolução multiespectral como ferramenta de monitoramento e gestão da qualidade dos reservatórios para abastecimento público: com ênfase na clorofila a e no disco de Secchi, BP.MS
• Assunto(s): Aprendizado computacional Qualidade da água Sensoriamento remoto Limnologia
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | clorofila-a | qualidade da água | Satélites orbitais | Sensoriamento Remoto | Limnologia

Resumo

A qualidade das águas interiores tem sido significativamente impactada por atividades antrópicas, o que exige a adoção de métodos mais eficazes para seu monitoramento. O monitoramento tradicional da clorofila-a (Chl-a), um importante indicador da biomassa fitoplanctônica, da eutrofização e da saúde dos ecossistemas aquáticos, apresenta limitações quanto à escala espacial, à frequência e aos custos envolvidos. Nesse contexto, o sensoriamento remoto, aliado a técnicas de aprendizado de máquina, emerge como uma alternativa promissora para estimativas mais amplas e automatizadas da qualidade da água. O presente estudo propõe o desenvolvimento de um modelo de aprendizado de máquina para estimar a concentração de Chl-a no reservatório de Taiaçupeba (SP), utilizando dados de reflectância obtidos a partir de sensores orbitais (OLI/Landsat-8, MSI/Sentinel-2 e OLCI/Sentinel-3) e corrigidos por meio de ferramentas como ACOLITE, Sen2Cor, C2RCC e L8PAR. O modelo será baseado em algoritmos de aprendizado de máquina, especificamente Cubist e Extreme Gradient Boosting (XGB), e validado com dados in situ fornecidos pela SABESP, abrangendo o período de 2016 a 2023. O desempenho do modelo será avaliado por meio de métricas estatísticas como R², MAE, RMSE e MAPE, com o objetivo de fornecer estimativas precisas e automatizadas da concentração de Chl-a, contribuindo para o monitoramento eficaz da qualidade da água em larga escala. (AU)