MODELOS EMPÍRICOS PARA INFERÊNCIA DE COMPONENTES OPTICAMENTE ATIVOS EM AMBIENTES LÓTICOS E SEMILÊNTICOS DO RIO TIBAGI/PR, APLICADOS À IMAGENS LANDSAT 8/OLI
Resumo
A questão da qualidade e escassez da água no planeta tem ganhado destaque em pesquisas científicas, e demais publicações com conotação de alerta e de conscientização. Especialistas apontam que a crise da água no século XXI é muito mais de gerenciamento do que uma crise real de escassez e estresse hídrico (HOEKSTRA & MEKONNEN, 2012). Entretanto, existem pesquisadores (ELLIOTT, et al., 2014; RULLI, et al., 2013) que apontam que a crise é um misto de problemas ambientais com agravantes relacionados à economia e ao desenvolvimento social. Pesquisas cientificas atuais utilizam o sensoriamento remoto para monitorar corpos d’água em relação aos componentes opticamente ativos (COAs), a partir de modelos empíricos para inferência detes; garantindo uma maior representatividade espacial da variável, além de redução de custos e otmização de tempo. Nesse sentido, o objetivo da pesquisa foi o de gerar modelos empíricos para estimativa de COAs da água, exequíveis em imagens orbitais multiespectrais de média resolução do satélite Landsat 8/OLI. Para tanto, foram adquiridas imagens simultaneamente à mensuração de variáveis limnológicas “in situ”, em pontos devidamente georreferenciados de um ambiente aquático semilêntico e outro lótico. Tais pontos foram distribuidos em uma represa a partir do modelo amostral de Faixas Concêntricas, e no rio a partir de Margens Paralelas, de acordo com Castro et al., (2017), ambos localizados no rio Tibagi, responsável por grande parte do abastecimento público de água de alguns municípios do Estado do Paraná. Os dados limnológicos e espectrais obtidos foram correlacionados, e a partir de regressão linear múltipla os resultados apresentaram modelos empíricos adequados, com média do valor de resposta (R2) de 46%, para a estimativa de clorofila-a, total de sólidos em suspensão e turbidez; em ambiente semilêntico do rio Tibagi.
Palavras-chave
Referências
ALDERMAN, K., TURNER, L. R., & TONG, S. L. Floods and human health: A systematic review. Environment International, 47, p. 37–47, 2012.
ALVES, M. F; LOTUFO, A. D. P; LOPES, M.L.M. Seleção de variáveis Stepwiseaplicadas em redes neurais artificiais para previsão de demanda de cargas elétricas. Conferência Brasileira de Dinâmica, Controle eAplicações. 2013.
APHA, AWWA, WEF. Standard Methods for examination of water and wasterwater. 22nd ed. Washington: American Public Health Association; 2012.
BOND, N. R., LAKE, P.S., & ARTHINGTON, A. H. (2008). The impacts of drought on freshwater ecosystems: An Australian perspective. Hydrobiologia, 600, p. 3–16, 2008.
BOZDONGAN. H. Model selection and Akaike's Information Criterion (AIC): The general theory and its analytical extensions. Psychometrika. v.52, n.3, p. 345-370, Sep. 1987.BRYANT, E. C. Statistical analysis. New York: McGraw-Hill Book, 1960.
BUZELLI, G. M.; CUNHA-SANTINO. M. B. Análise e diagnóstico da qualidade da água e estado trófico do reservatório de Barra Bonita (SP). Ambi-Agua, Taubaté, v. 8, n. 1, p. 186-205, 2013.
CASTRO, P. H. M; PEREIRA, A. C. F; BARROS, M. V.F. Esquema amostral para o monitoramento da qualidade da água do rio Tibagi/PR, utilizando imagens Landsat 8/OLI. Revista Brasileira de Cartografia. 2017. No prelo.
CHAVEZ, Jr., P.S. Image-based atmospheric corrections –revisited and improved. Photogrammetric Engineering and Remote Sensing, Bethesda, v.62, p.1025-1036, 1996.
CLARK LABS -TerrSet Geospatial Monitoring and Modeling Software–IDRISI. Disponível em: https://clarklabs.org/terrset/. Acesso em 01 de Dez. 2016.
FERREIRA, M. M. C.; MELGO, M. S.; VOLPE, P. L. Quimiometria I: calibração multivariada, um tutorial. Quim. Nova, 22, p. 724-731, 1999.
GIARDINO, C., BRESCIANI, M., VILLA, P., & MARTINELLI, A. Application of remote sensing in water resource management: The case study of Lake Trasimeno, Italy. Water Resources Management, 24, p. 3885–3899, 2010.
GITELSON, A. A.; KONDRATYEV, K. Y. Optical models of mesotrophic and eutrophic water bodies. International Journal of Remote Sensing, v. 12, n. 3, p. 373−385, 1991.
GOODIN, D. G.; HAN, L.; FRASER, R. N.; RUNDQUIST, C.; STEBBINS, W. A.; SCHALLES, J. F. Analysis of suspended solids in water using remotely sensed high resolution derivative spectra. Photogrammetric Engineering and Remote Sensing. Vol. 59, n. 4, p. 505 –510, 1993.
HAIR Jr., ANDERSON, R.E., TATHAM, R.L., BLACK, W.C. Análise multivariada de dados. Adonai Schlup Sant ́Anna e Anselmo Chaves Neto –5ª. ed. Porto Alegre: Bookman, 2005.
HAMBRIGHT, K.D; XIAO, X; DZIALOWSKI, A.R. Remote Sensing of WQ and harmful algae in OK Lakes. University of Oklahoma, 2013.
HAN, L. The spectral responses of algal chlorophyll in water with varying levels of suspended sediment. International Journal of Remote Sensing. Abingdon, v. 15, n. 18, p. 3707-3718, 1994.
HOGE, E. F., WRIGHT, C. W., & SWIFT, R. N. Radiance ratio algorithm wavelengths for remote oceanic chlorophyll determination. Applied Optics, v. 26, n. 11, p. 2082−2094, 1987.
KIRK, J.T.O. Light & Photosynthesis in aquatic ecosystems. Cambridge University Press, 1994.
KONDO, H., SEO, N., YASUDA, T., HASIZUME, M., KOIDO, Y., NINOMIYA, N. Post-flood-infectious diseases in Mozambique. Prehospital and Disaster Medicine, 17, p. 126–133, 2002.
LAKE, P.S. Ecological effects of perturbation by drought in flowing waters. Freshwater Biology, 48, p. 1161–1172, 2003.
LI, K. Z., WU, S. H., DAI, E. F., & XU, Z. C. Flood loss analysis and quantitative risk assessment in China. Natural Hazards, 63, 2012. 737–760
LITTELL, R. C.; MILLIKEN, G. A. STROUP, W. W & WOLFINGER, R. D. SAS System for Mixed Models. Cary: Statistical Analysis System Institute, 2002.
LOPES M. M; BRANCO, V.T.F; SOARES, J.B. Utilização dos testes estatísticos de Kolmogorov-Smirnov e Shapiro-Wilk para verificação da normalidade para materiais de pavimentação. TRANSPORTES v. 21, n. 1, p. 59–66, 2013.
MALLOWS, C. L. More comments on Cp. Technometrics, v.37, p. 362–372, 1995.
MONTGOMERY, D. C.; RUNGER, G. C. Estatística aplicada e probabilidade para engenheiros. 5. ed. Rio de Janeiro: LTC, 2012.
MORSS, R. E.,WILHELMI, O. V., DOWNTON,M.W., & GRUNTFEST, E. Flood risk, uncertainty,and scientific information for decision making —Lessons from an interdisciplinar project. Bulletin of the American Meteorological Society. 2005.
NOVO, E. M. L. M. Monitoramento de Quantidade e Qualidade da Água e Sensoriamento Remoto. XVII Simpósio Brasileiro de Recursos Hídricos. 2007.
PEREIRA FILHO, W.; GALVÃO, L. S. Relações entre reflectância espectral e concentração de sedimentos em suspensão no reservatório Passo Real, região Sul do Brasil. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 8., 1997, Mérida, Anais..., Mérida: Selper, 1997.
PEREIRA, A. C. de F. Desenvolvimento de método para inferência de características físicas da água associadas às variações espectrais. Caso de Estudo: Reservatório de Itupararanga/SP. 2008. Tese de doutorado em Ciências Cartográficas, Universidade Estadual Paulista, Presidente Prudente.
PRADO, D. A; BARBIERA, D. W; SANTOS, F. C; FILHO, W. P. Relação entre componentes oticamente ativos da água do reservatório da Usina Hidrelétrica Dona Francisca com imagem de satélite. XV Simpósio Brasileiro de Sensoriamento Remoto -SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.1192-1199.
R-PROJECT. Disponível em: https://www.r-project.org/about.html. Acesso em 01 de Dez. 2017.
RULLI, M. C; SAVIORI, A. D’ODORICO, P. Global land and water grabbing. PNAS. vol. 110, n. 3. p. 892–897, 2013. RUNDQUIST, D. C.; LUOHENG, H.; SCHALLES, J. F.; PEAKE, J. S. Remote measurement of algal chlorophyll in surface waters: the case for first derivative of reflectance near 690 nm. Photogrammetric Engineering & Remote Sensing, v. 62, n. 2, p. 195-200, 1996.
SCHMID, B; SILVA, N.N. Estimação de sub-registro de nascidos vivos pelo método de captura e recaptura, Sergipe. Revista Saúde Pública; 45(6), p. 1088-98, 2011.
SELL, I. Utilização da regressão linear como ferramenta de decisão na gestão de custos. Anais do IX Congresso Internacional de Custos -Florianópolis, SC, Brasil -28 a 30 de novembro de 2005. p. 1-13.
SHAPIRO, S. S. E M. B. WILK. An Analysis of Variance Test for Normality (Complete Samples). Biometrika Trust, London, v. 52, p. 591–609. 1965.
SMITHEE, D., B. CAUTHRON, J. WRIGHT, C. ARMSTRONG, G. GILLILAND, T. CLYDE, C. MCCRACKIN, K. D. HAMBRIGHT, R. LYNCH, D. MOORE, R. WEST, E. PHILLIPS, D. TOWNSEND, AND S. ZIARA. Protocols for Harmful Algae Bloom Monitoring in Oklahoma Lakes. Oklahoma Office of the Serectary of Environment, Oklahoma City, Oklahoma. 2012.
SUDERHSA -Superintendência de Desenvolvimento de Recursos Hídricos e SaneamentoAmbiental. Qualidade das Águas Interiores do Estado do Paraná 1987-1995, Curitiba, 1997.
TACHIBANA, V.M.; IMAI, N.N.; ENNES, R.; VICENTIN, D.M. Aplicação de técnicas utilizando regressão clássica e espacial na cidade de Presidente Prudente-SP. Anais do IISimpósio Brasileiro de Geomática e V Colóquio Brasileiro de Ciências Geodésicas, Presidente Prudente-SP, p.719-725, 2007.
TEIXEIRA, C.F.A; DAMÉ, R.C.F; DISCONZI, P.B; PINTO, M.A.B; WINKER, A.S; SANTOS, J.P. Estatística de Mallows na seleção de modelos de predição da precipitação média mensal e anual no Rio Grande do Sul. Revista Agro@mbiente On-line, v. 7, n. 2, p. 145-153, maio-agosto, 2013.TORMAN, V.B.L; COSTER, R; RIBOLDI, J. Normalidade de variáveis: métodos de verificação e comparação de alguns testes não-paramétricos por simulação. Rev HCPA; 32 (2). p. 227-234, 2012.
TRINDADE, P.M.P; SILVEIRA, G.V; PRADO, D. A; FILHO, W.P. Resposta espectral de sólidos em suspensão com o uso do espectroradiômetro. Anais XXVI Congresso Brasileiro de Cartografia V Congresso Brasileiro de Geoprocessamento XXV Exposicarta. Agosto de 2014.
WEAVER, E. C.; WRIGLEY, R. Factors Affecting the Identification of Phytoplankton Groups by Means of Remote Sensing. NASA Technical Memorandum 108799. 1994.
WOLFINGER, R. D. Covariance estruture selection in general mixed models. Comunications in Statistics. V.22. p. 1079-1106. 1993.
ZIMMERMANN, C. M; GUIMARÃES, O. M; PERALTA-ZAMORA, P. G. Avaliação da qualidade do corpo hídrico do rio Tibagi na região de Ponta Grossa utilizando análise decomponentes principais (PCA). Quim. Nova, Vol. 31, No. 7, 2008.
DOI: http://dx.doi.org/10.5380/raega.v43i0.50545