Área de Estudo: Belém, Pará
A eutrofização de rios urbanos tem se tornado um problema ambiental crítico devido ao excesso de nutrientes, como nitrogênio e fósforo, liberados por atividades humanas, incluindo urbanização, industrialização e mudanças climáticas. Esse processo estimula a proliferação descontrolada de algas e macrófitas, resultando em impactos negativos na qualidade da água e na biodiversidade aquática. Florações de algas intensas podem causar esgotamento do oxigênio dissolvido, levando à morte de organismos aquáticos, além de liberar toxinas prejudiciais à saúde pública e ao equilíbrio ecológico.Esse fenômeno compromete a qualidade da água, afetando o equilíbrio ecológico e limitando seu uso para abastecimento, irrigação e lazer. Um exemplo desse fenômeno é observado nos lagos Bolonha e Água Preta, localizados no Parque Estadual do Utinga, em Belém-Pará que enfrentam grave processo de expansão de algas em sua superfície, mediante esse desafio, é essencial desenvolver métodos de monitoramento eficientes que permitam a identificação precoce e o acompanhamento das áreas afetadas. Este estudo tem como objetivo desenvolver um modelo baseado em deep learning para identificar e monitorar a eutrofização em rios urbanos da região de Belém do Pará, utilizando imagens de satélite PlanetScope e modelos de redes neurais implementados em Python. A abordagem proposta busca integrar dados de sensoriamento remoto de alta resolução com técnicas avançadas de aprendizado de máquina para mapear áreas com presença de eutrofização e prever padrões de degradação da qualidade da água ao longo do tempo. A metodologia será estruturada em três etapas principais. Primeiramente, serão adquiridas imagens PlanetScope, que possuem alta resolução espacial e temporal, permitindo a análise detalhada das condições dos corpos d’água. As imagens passarão por um pré-processamento que inclui correção atmosférica e remoção de interferências, utilizando bibliotecas específicas no ambiente Python. Em seguida, será realizada uma classificação não supervisionada para detectar a presença de algas nas imagens, empregando técnicas de agrupamento espectral baseadas em redes neurais não supervisionadas. Os modelos Self-Organizing Maps (SOM) e Autoencoders Variacionais (VAE) serão aplicados para identificar padrões espectrais característicos da presença de algas sem a necessidade de um conjunto de treinamento rotulado. O SOM será utilizado para mapear diferentes assinaturas espectrais em um espaço de menor dimensionalidade, permitindo a separação automática das classes presentes na água, enquanto o VAE ajudará a aprender representações latentes das variações espectrais associadas à eutrofização. A segmentação dos agrupamentos resultantes será analisada em conjunto com os índices de Diferença Normalizada de Água e o Índice de Vegetação por Diferença Normalizada, para refinar a detecção de áreas propensas à proliferação de algas. O método permitirá a identificação automática de regiões impactadas, auxiliando na análise espacial e temporal da eutrofização nos rios urbanos estudados. Espera-se que os resultados desta pesquisa forneçam uma nova estrutura adequada para o monitoramento da ocorrência de eutrofização da água em rios urbanos, permitindo a detecção de áreas em risco.
