Área de estudo
A área de estudo e amostragem está localizada na porção superior da Bacia do Rio Doce, especificamente nas sub-bacias dos rios Gualaxo do Norte e parte do rio do Carmo, situadas nos municípios de Mariana e Barra Longa, em Minas Gerais. As coletas de amostras de água foram realizadas em datas que coincidiram com a passagem do sistema orbital Sentinel-2 pela região, ao longo de seis anos, de 2017 a 2023, em 13 pontos de amostragem, distribuídos ao longo dos rios Gualaxo do Norte e Carmo (Figura 1).
Figura 1. Pontos de amostragem de água ao longo dos trechos dos rios Gualaxo do Norte e Carmo.
(clique na imagem para aproximar)
Coleta de amostras
As amostras foram coletadas a aproximadamente 6 metros
de distância da margem do rio, visando atingir a parte mais central
do fluxo de água. As amostras eram armazenadas em uma caixa térmica
para manter a temperatura controlada durante o transporte ao
laboratório, onde as análises necessárias foram realizadas (Figura 2).
Figura 2. A) Coleta de amostras de água em campo utilizando um bastão com pote fixado na extremidade por uma corda; (B, C) transferência e armazenamento da água em uma garrafa esterilizada.
Análise de qualidade de água
No campo foram avaliados os seguintes parâmetros físicos: temperatura, condutividade elétrica (CE) e sólidos totais dissolvidos (STD) através do uso sonda multiparâmetro (modelo PCD-PHE). Em laboratório a turbidez foi determinada com o turbidímetro 2100AN Turbidimeter-Hach. A cor aparente foi medida com o equipamento Aqua Color Cor-Policontrol, com os resultados apresentados em unidades de cor (uC). Já os sólidos suspensos totais (SST) foram realizadas pelo método gravimétrico, com os resultados expressos em mg/L.
Imagens de satélite e modelagem
As imagens de satélite utilizadas neste trabalho foram do sistema Sentinel-2 MSI, com processamento de Nível 2A, com resolução espacial de 10 metros e um total de 13 bandas espectrais e com nebulosidade inferior a 80%. Além das bandas, também foram utilizados vários índices espectrais (B8/B2, B8/B3, B4/B2, B4/B3), FII, MNDWI, GNDVI, MSI, Ktwetness, Aweinsh, NDTI, Aweish, IIA, Wri, Índice Indicador de Água, SCI, NDWI, SAVI, NDVI, FE_SI, Toming, FE_OX, Clay, Iron, FE3, NDMI e moisture_10).
Banco de dados foi inicialmente dividido em dois conjuntos, separando preditores e covariáveis. Para garantir um modelo mais eficiente e reduzir problemas de multicolinearidade, foi realizado um processo de seleção das covariáveis baseado na correlação. Utilizando a correlação de Spearman, foram identificadas e removidas covariáveis com correlação superior a 0,95, considerando também a colinearidade com outras covariáveis. As amostras restantes foram submetidas ao processo de treinamento e validação utilizando o algoritmo Random Forest. Esse algoritmo foi escolhido por apresentar a melhor performance entre outros algoritmos. A qualidade da modelagem foi avaliada pelo R2 e pela raiz do erro quadrático médio (RMSE) e o erro absoluto médio (MAE).
