Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Water clarity in Brazilian water assessed using Sentinel-2 and machine learning methods

Texto completo
Autor(es):
Maciel, Daniel Andrade ; Faria Barbosa, Claudio Clemente ; Leao de Moraes Novo, Evlyn Marcia ; Flores Junior, Rogerio ; Begliomini, Felipe Nincao
Número total de Autores: 5
Tipo de documento: Artigo Científico
Fonte: ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING; v. 182, p. 134-152, DEC 2021.
Citações Web of Science: 0
Resumo

Secchi Disk Depth (Z(sd)) is one of the widely used water quality measurements. Controlled by variations in Optically Active Constituents, it is a key index of overall water quality. In-situ measurements of Z(sd) lacks spatiotemporal coverage which could be solved using remote sensing data, such as from the Sentinel-2/MSI. However, inland waters have highly variable optical properties, and that is still a challenge for the state-of-art algorithms of Z(sd) retrieval. One of the most promising approaches for dealing with this challenge is the use of Machine Learning methods. Moreover, predicting Z(sd) for large areas using high-resolution remote sensing imagery requires a high computational effort, which could be solved using Cloud-Computing platforms. Therefore, this study evaluates the use of Machine Learning (Random Forest, Extreme Gradient Boosting, and Support Vector Machines) and Semi-Analytical algorithms (SAA) for Z(sd) retrieval focused on Sentinel-2 imageries available in the Google Earth Engine platform to assess the clarity of the Brazilian inland waters. Machine Learning methods were calibrated and validated using a comprehensive dataset (N = 1492) collected in the last 20 years in Brazil. The results were compared with semi-analytical approaches. After evaluation with in-situ data, the best algorithm was implemented in the Google Earth Engine platform to generate Z(sd) maps. The calibration with in-situ data demonstrated that the Machine Learning methods outperform the SAA, with the Random Forest presenting the best results (errors lower than 22%). The results showed that when SAA were applied to the environment in which they were calibrated, the results were closer to that of machine learning methods, indicating that SAA could also be used for Z(sd) retrieval. The application of Random Forest to the Sentinel-2 atmospherically corrected imagery had errors of 28%, demonstrating the feasibility of the algorithm and atmospheric correction methods for predicting Z(sd). (AU)

Processo FAPESP: 19/15984-2 - Relação entre diversidade de fitoplâncton e disponibilidade de luz: caso de estudo para a planície de inundação da Bacia Amazônica
Beneficiário:Cleber Nunes Kraus
Linha de fomento: Bolsas no Brasil - Pós-Doutorado
Processo FAPESP: 11/19523-8 - Desenvolvimento de modelo semi-analítico para o estudo da concentração de clorofila-a e estado trófico em reservatórios hidrelétrico tropicais
Beneficiário:José Luiz Stech
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 11/23594-8 - Sensoriamento remoto aplicado à modelagem de impactos antropogênicos sobre propriedades ecológicas de ambientes alagáveis e aquáticos da planície do Solimões/Amazonas
Beneficiário:Evlyn Márcia Leão de Moraes Novo
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 03/06999-8 - Estudo da dinâmica de circulação da água entre sistemas lóticos, lênticos e a planície de inundação
Beneficiário:Evlyn Márcia Leão de Moraes Novo
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 08/56252-0 - Environmental and socioeconomic impacts associated with the production and consumption of sugarcane ethanol in south central Brazil
Beneficiário:Evlyn Márcia Leão de Moraes Novo
Linha de fomento: Auxílio à Pesquisa - Programa BIOEN - Temático
Processo FAPESP: 12/19821-1 - Parametrização de modelo bio-óptico para o estudo da concentração de clorofila-A ao longo de reservatórios em cascata
Beneficiário:Enner Herenio de Alcântara
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 18/12083-1 - Equilibrando a conservação da biodiversidade com o desenvolvimento nas áreas alagáveis amazônicas
Beneficiário:Evlyn Márcia Leão de Moraes Novo
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 13/09045-7 - Mapeamento de macrófitas submersas em reservatório baseado na teoria de transferência radiativa na coluna de água
Beneficiário:Nilton Nobuhiro Imai
Linha de fomento: Auxílio à Pesquisa - Regular
Processo FAPESP: 14/23903-9 - Caracterização bio-óptica espaço-temporal e desenvolvimento de algoritmos analíticos para o monitoramento sistemático das massas de água que circulam pela planície de inundação do médio e baixo Amazonas
Beneficiário:Cláudio Clemente Faria Barbosa
Linha de fomento: Auxílio à Pesquisa - Regular