Performance de modelos semiempíricos para estimativa remota da concentração de CDOM em um estuário tropical produtivo
CDOM. SENSORIAMENTO REMOTO. SISTEMAS ESTUARINOS
A matéria orgânica dissolvida colorida (CDOM) é uma grande responsável pela absorção da luz solar e afeta os processos fotobiológicos e ecológicos de sistemas aquáticos. Os sistemas estuarinos são suscetíveis a altas concentrações devido ao carbono terrestre proveniente da bacia hidrográfica. Assim, há necessidade de um monitoramento regular deste parâmetro nestes sistemas aquáticos visando um adequado funcionamento ecossistêmico. O uso de sensoriamento remoto é uma excelente alternativa devido sua capacidade de monitorar corpos hídricos a um baixo custo, em áreas amplas e intervalos de tempo adequados. No entanto, ainda há necessidade de algoritmos mais robustos para estimativa de CDOM em sistemas opticamente complexos como é o caso de sistemas estuarinos. Nesse trabalho, buscou-se desenvolver modelos semiempíricos para estimativa remota de CDOM em um sistema estuarino-lagunar tropical produtivo. Para isso, foram utilizados dados coletados in situ de reflectância espectral e medições da concentração de CDOM. A partir desse conjunto de dados, foram desenvolvidos modelos semiempíricos baseados na razão de duas, três e quatro bandas. A busca pelas bandas foi realizada de forma automática por algoritmo genético. Foram avaliados a regressão linear simples, Support Vector Machine (SVM) e o método de regressão linear robusta RANSAC. Foram testadas diversas razões de bandas e os melhores ajuste foram obtidos utilizando modelo de duas bandas, R(702)/R(539), e três bandas, [R(539) -1 - R(699)-1]xR(716), com R2 de 0.917 e 0.923, respectivamente. Observou-se que a escolha de bandas tem um papel crítico para o desenvolvimento de bons modelos para estimativa de CDOM, e o uso de algoritmo genético permite automatizar a tarefa. Além do mais, o uso de duas bandas selecionadas adequadamente é suficiente para obtenção de boas estimativas. Por fim, a aplicação de regressão linear robusta demonstrou lidar bem com dados provenientes de sensores reais, por ser mais tolerante a presença de outliers.