Banca de DEFESA: WILLIAN GERALDO DA SILVA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: WILLIAN GERALDO DA SILVA
DATA: 18/06/2025
HORA: 14:00
LOCAL: Sala vitual - Google Meet
TÍTULO:

Modelos para predizer a sólidos dissolvidos totais, sólidos totais e turbidez no reservatório de jaguara a partir dos dados espectrais dos satélites sentinel-2

PALAVRAS-CHAVES:

Sensoriamento remoto; MSI/Sentinel-2; Qualidade da água; Monitoramento por satélite.

PÁGINAS: 105
GRANDE ÁREA: Ciências Agrárias
ÁREA: Engenharia Agrícola
SUBÁREA: Engenharia de Água e Solo
RESUMO:

Reservatórios de água doce, indispensáveis para abastecimento, agricultura, energia e biodiversidade, enfrentam desafios na monitorização da qualidade devido às abordagens convencionais com custos elevados e restrições geográficas. Nesse contexto, surge a necessidade vital de desenvolver metodologias eficientes, acessíveis e abrangentes temporal e espacialmente. O sensoriamento remoto, utilizando satélites espaciais, emerge como uma promissora solução para superar essas limitações, preenchendo a lacuna entre precisão e análises em larga escala. Este estudo tem como objetivo estimar sólidos dissolvidos totais (SDT), sólidos totais (ST) e turbidez no reservatório da UHE Jaguara com base em dados espectrais do satélite Sentinel-2. Foram testadas modelos de regressão (linear, quadrática e polinomial) e algoritmos de aprendizado de máquina (Random Forest, Decision Tree e SVM), aplicadas a bandas individuais, razões entre bandas e o conjunto completo de bandas. Os dados de entrada foram obtidos a partir de 21 campanhas de amostragem realizadas entre 2018 e 2023, sendo avaliados em cenários com e sem remoção de outliers. Os resultados indicaram que os modelos de aprendizado de máquina apresentaram melhor desempenho na predição dos três parâmetros. O modelo Random Forest com a banda 2186 foi o mais eficaz para SDT (r = 0,84), enquanto a razão 559/864 combinada ao modelo Decision Tree se destacou para ST (r = 0,51). Para turbidez, o modelo Random Forest com todas as bandas alcançou r = 0,70. Os resultados obtidos evidenciam o potencial da integração entre dados espectrais de sensoriamento remoto e técnicas de modelagem estatística e de aprendizado de máquina na predição de parâmetros críticos da qualidade da água. Essa abordagem demonstrou alta capacidade de adaptação a diferentes condições de variabilidade espectral, mesmo em ambientes de águas claras, tradicionalmente desafiadores para a detecção remota. Além de fornecer estimativas com bom desempenho preditivo, os modelos gerados permitem a visualização espacial contínua das concentrações de ST, SDT e Turbidez, o que representa um avanço em relação às metodologias convencionais baseadas em coleta pontual.

MEMBROS DA BANCA:
Externo à Instituição - ALISSON CARRARO BORGES - UFV (Membro)
Interno - GILBERTO COELHO (Membro)
Interno - MARCELO RIBEIRO VIOLA (Suplente)
Presidente - RONALDO FIA (Membro)
Externo à Instituição - VINICIUS DE MORAIS MACHADO - UNIPAM (Suplente)
Externo à Instituição - SAMUEL BESKOW - UFPel (Membro)
Interno - MATEUS PIMENTEL DE MATOS (Membro)