Assessment of remote-sensing retrieval models for suspended sediment concentration in the Gulf of Bohai

Utilização de imagens de satélite para predição de clorofila-a e sólidos suspensos em corpos d\'água: estudo de caso da Represa do Lobo/SP

“…Os modelos de que envolvem a estimativa dos COAs em águas continentais caracterizadas como Tipo II tendem a ser mais complexos pelo fato desses corpos d´água apresentarem além da clorofila, elevadas concentrações de SIS, os quais exercem influências significativas sobre as propriedades ópticas da água (RANDOLPH, 2007;LOBO, 2009). Desta forma, considerando a maior complexidade das águas do Tipo II, alguns pesquisadores (FENG et al, 2005;CHEN et al, 2017;KONG et al, 2018) (HA et al, 2017). Watanabe et al (2015) apontam que embora a maioria das bandas OLI tenham aplicações terrestres, as bandas com aplicações em vegetação e pigmentos fotossintéticos podem ser adequadas para estimar as concentrações de pigmento de fitoplâncton em corpos d'água altamente produtivos.…”

“…Para resultados idênticos e com variáveis semelhantes, como por exemplo B4/B3 e B3/B4, apenas a variável com melhor R² foi apresentado, sendo que no Apêndice C encontra-se a tabela com todos os resultados das regressões com R² maior que 0,30. , 2008;AUGUSTO-SILVA et al, 2014;SONG et al, 2012;MASOCHA et al, 2017), (KONG et al, 2018). No tópico a seguir serão apresentados os resultados obtidos na utilização de RNA para predição de clorofila-a e SST.…”

“…Durante a etapa de testes para obtenção das melhores configurações de RNA aplicáveis ao objetivo deste estudo diversas combinações entre conjuntos de entrada, topologias de RNA e ciclos de treinamento foram exploradas para cada parâmetro de saída (clorofila-a ou SST). Porém, cabe ressaltar que esta utilização não é usual em artigos sobre RNA para prever parâmetros de qualidade de água, visto que em sua grande maioria apenas regiões visíveis e infravermelhas próximas são exploradas (SONG et al, 2012;WU et al, 2014;MORIDNEJAD et al, 2015;GUO et al, 2016;AMANOLLAHY, KABOODVANDPOUR, MAJIDI, 2017;CHEN et al, 2017;KONG et al, 2018;PETERSON et al, 2018). Por fim, cabe ressaltar que devem ser realizadas mais pesquisas para poder compreender como estas RNAs apresentadas, tanto por coleta quanto coletivas, se comportariam com imagens de outros períodos em que elas não foram treinadas, como outros meses com condições diferentes e/ou outros anos.…”

“…A partir de melhorias na tecnologia e na disponibilidade de dados de sensoriamento remoto, modelos mais precisos e generalizados têm sido desenvolvidos para monitorar a qualidade da água (KONG et al, 2018;PETERSON et al, 2018). Entretanto, como a evolução temporal das variáveis físico-químicas nos ecossistemas aquáticos é complexas e não-linear (SILVA et al, 2018), esta metodologia pode apresentar limitações se as análises entre os compostos e a resposta espectral da água forem regressões simplistas.…”

“…Neste sentido, abordagens envolvendo inteligência artificial com o uso de redes neurais apresentam-se como promissoras na área de sensoriamento remoto e no desenvolvimento de modelos de qualidade de água, pois podem ser mais sensíveis e robustas do que outras técnicas tradicionais de regressão, com capacidade de modelar ambientes complexos e capturar tanto relações lineares quanto não lineares entre os parâmetros envolvidos (MORIDNEJAD et al, 2015;GUO et al, 2016;KONG et al, 2018;PETERSON et al, 2018).…”