MODELAGEM E MAPEAMENTO DE INDICADORES ECOLÓGICOS EM ÁREAS ATINGIDAS POR REJEITO DE MINÉRIO DE FERRO.
Restauração ecológica. Sensoriamento Remoto. Aprendizado de máquina.
A degradação ambiental decorrente de atividades humanas representa um dos desafios mais urgentes e complexos enfrentados pela sociedade contemporânea. Um exemplo desse cenário é o desastre ocorrido em Mariana, Minas Gerais, em novembro de 2015, quando o rompimento de uma barragem de rejeitos de minério de ferro resultou em consequências catastróficas para o meio ambiente local. Desde então, esforços têm sido direcionados para a restauração dessas áreas afetadas, porém a disponibilidade de recursos financeiros e tecnológicos, muitas vezes limitam a realização de monitoramentos frequentes em campo. Diante desse cenário, o principal objetivo desta pesquisa consiste em modelar e mapear indicadores ecológicos de diversidade (riqueza de espécies, modelo I) e estrutura (cobertura de dossel, modelo II) nas margens do rio Gualaxo do Norte, em Mariana, MG. Avaliou-se dois cenários (cenário A e cenário B), afim de compreender a influência das variáveis de observação de campo nos modelos (cenário A, gerando os modelos IA e IIA), bem como o uso exclusivo de variáveis de sensoriamento remoto (cenário B, gerando os modelos IB e IIB). Os indicadores foram coletados em 24 transectos em seis áreas diferentes, juntamente com os dados de observação de campo (variáveis preditoras categóricas). Os dados de sensoriamento remoto (SR) foram gerados a partir de imagens Planet e utilizados na modelagem. Para realizar a modelagem e o mapeamento dos indicadores, foi utilizado o algoritmo de aprendizado de máquina Random Forest (RF), sendo gerados os modelos preliminares e, após a seleção das variáveis, gerados os modelos finais. A avaliação do desempenho dos modelos foi feita através do coeficiente de determinação (R²) e métricas de erro (Root Mean Square Error – RMSE e Mean Square Error - MAE). Os resultados mostram que para estimar riqueza de espécies, a utilização de dados categórico de campo são fundamentais para a mitigação do efeito de saturação dos dados, além da melhora do ajuste global e da precisão do modelo. Em contrapartida, o modelo de cobertura de dossel se ajustou melhor utilizando apenas as variáveis de sensoriamento remoto. As variáveis que mais contribuíram com a estimativa espacial de riqueza de espécies (modelo IB) e cobertura de dossel (modelo IIB) foram, respectivamente, média textural do infravermelho próximo e índice de vegetação NDVI.