Publicação
Identificação e análise morfométrica de corpos de água superficiais através de deteção remota: proposta metodológica
| Resumo: | A escassez de água é um dos riscos globais que maior atenção tem gerado. Nas últimas décadas, as técnicas de deteção remota têm sido amplamente utilizadas por facilitarem a monitorização da dinâmica espácio-temporal das águas superficiais. A utilização de métodos de identificação de água, como índices hídricos e algoritmos de machine learning, tem-se mostrado eficaz na monitorização dos recursos hídricos superficiais. É neste contexto que se apresenta uma proposta metodológica com vista à identificação e análise morfométrica de corpos de água superficiais, através de técnicas de deteção remota, aplicada em onze albufeiras de Portugal continental, selecionadas com base nas suas características intrínsecas e envolventes, nos anos 2018, 2020 e 2022. Utilizaram-se imagens dos satélites Landsat 8-9 e Sentinel-2A e amostras de treino e de teste, recolhidas através do Google Earth Pro. Para a identificação de pixéis de água, numa fase inicial, testaram-se sete índices hídricos (AMERL, AWEI, LSWI, mNDWI, NDVI, NDWI e WI2015) e um algoritmo de machine learning (Máquinas de Suporte Vetorial), numa albufeirateste. O algoritmo obteve melhores resultados, pelo que foi utilizado para a classificação de todas as imagens. Relativamente à análise morfométrica, adquiriram-se duas métricas – área de avanço/ recuo das albufeiras e frequência de pixéis de água –, analisadas em conformidade com os resultados das classificações e com as características das imagens e das áreas de estudo. Após a aquisição dos resultados, averiguou-se que as áreas florestais e sombrias são as que causam mais erros de classificação. As albufeiras mais compactas, inseridas em áreas topograficamente complexas, são mais propensas a estes erros. Ao revelarem resultados superiores, as imagens Sentinel revelaram ser mais adequadas para este estudo. As imagens Landsat têm tendência a originar mais erros de comissão. Apesar de conter pequenas lacunas, esta metodologia pode ser vista como uma excelente ferramenta para a gestão dos recursos hídricos. |
|---|---|
| Autores principais: | Silva, Mariana Neves |
| Assunto: | Albufeiras Deteção remota Landsat Sentinel Análise morfométrica |
| Ano: | 2024 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade de Lisboa |
| Idioma: | português |
| Origem: | Repositório da Universidade de Lisboa |
| Resumo: | A escassez de água é um dos riscos globais que maior atenção tem gerado. Nas últimas décadas, as técnicas de deteção remota têm sido amplamente utilizadas por facilitarem a monitorização da dinâmica espácio-temporal das águas superficiais. A utilização de métodos de identificação de água, como índices hídricos e algoritmos de machine learning, tem-se mostrado eficaz na monitorização dos recursos hídricos superficiais. É neste contexto que se apresenta uma proposta metodológica com vista à identificação e análise morfométrica de corpos de água superficiais, através de técnicas de deteção remota, aplicada em onze albufeiras de Portugal continental, selecionadas com base nas suas características intrínsecas e envolventes, nos anos 2018, 2020 e 2022. Utilizaram-se imagens dos satélites Landsat 8-9 e Sentinel-2A e amostras de treino e de teste, recolhidas através do Google Earth Pro. Para a identificação de pixéis de água, numa fase inicial, testaram-se sete índices hídricos (AMERL, AWEI, LSWI, mNDWI, NDVI, NDWI e WI2015) e um algoritmo de machine learning (Máquinas de Suporte Vetorial), numa albufeirateste. O algoritmo obteve melhores resultados, pelo que foi utilizado para a classificação de todas as imagens. Relativamente à análise morfométrica, adquiriram-se duas métricas – área de avanço/ recuo das albufeiras e frequência de pixéis de água –, analisadas em conformidade com os resultados das classificações e com as características das imagens e das áreas de estudo. Após a aquisição dos resultados, averiguou-se que as áreas florestais e sombrias são as que causam mais erros de classificação. As albufeiras mais compactas, inseridas em áreas topograficamente complexas, são mais propensas a estes erros. Ao revelarem resultados superiores, as imagens Sentinel revelaram ser mais adequadas para este estudo. As imagens Landsat têm tendência a originar mais erros de comissão. Apesar de conter pequenas lacunas, esta metodologia pode ser vista como uma excelente ferramenta para a gestão dos recursos hídricos. |
|---|