Área de Estudo: Região Metrópolitana de Porto Alegre, RS
O monitoramento de áreas afetadas por inundações tem se tornado uma necessidade cada vez mais premente devido ao aumento da frequência e intensidade desses eventos, impulsionados pelas mudanças climáticas e pela expansão urbana desordenada. Nesse contexto, o uso de Big Data multissensores e técnicas de Machine Learning emerge como uma abordagem eficaz para aprimorar a detecção, previsão e gestão de inundações, possibilitando respostas mais rápidas e precisas por parte dos gestores públicos e da população. A abordagem multissensores baseia-se na integração de dados provenientes de diversas plataformas, incluindo sensores remotos a bordo de satélites, drones, estações meteorológicas e sensores in situ. Satélites como Sentinel-1 e Sentinel-2 fornecem imagens de radar e ópticas, permitindo a detecção de áreas inundadas mesmo sob condições meteorológicas adversas, como a presença de nuvens ou baixa luminosidade. A utilização de Machine Learning na análise desses dados possibilita uma modelagem avançada dos padrões de inundação, tornando as previsões mais acuradas e a identificação de áreas de risco mais confiável. Algoritmos supervisionados, como Random Forest, Support Vector Machines (SVM) e redes neurais convolucionais (CNN), têm sido amplamente utilizados para essa finalidade, demonstrando elevada eficiência na classificação e detecção de áreas inundadas. Este projeto, consideramos como área de estudo a região metropolitana de porto alegre, localizada no Rio Grande do Sul-Brasil. Devido o histórico de inundações que vem se caracterizando na região com mais frequência nos últimos 10 anos. Assim, propõe-se uma abordagem metodológica para o mapeamento de inundações utilizando a Análise de Componentes Principais (PCA) aplicada a um conjunto de dados espectrais e de índices normalizados multisensores provenientes do Sentinel-1 e Sentinel-2, ambos com resolução espacial de 10 metros. Inicialmente, será realizado o pré-processamento das imagens, incluindo correção geométrica, remoção de ruído, normalização radiométrica e aplicação do método IHS para adequação do conjunto de bandas do sentinel-2 a resolução de 10metros. Em seguida, a PCA será aplicada para reduzir a dimensionalidade dos dados e destacar as variações espectrais mais relevantes associadas à presença de água na superfície. Para minimizar interferências topográficas no delineamento da mancha de inundação, será aplicada uma máscara baseada na segmentação de relevos acidentados com declives elevados, evitando assim que sombras orográficas sejam erroneamente classificadas como áreas inundadas. O mapa final de inundação será obtido a partir da subtração de uma máscara de água pré-diluviana da imagem pós-inundação, permitindo um mapeamento mais preciso das áreas afetadas pelo evento. A validação do método será realizada por meio de uma matriz de contingencia binaria derivada da comparação dos resultados obtidos com pontos de validação coletados a partir de imagens de alta resolução. Espera-se que a metodologia proposta resulte em um mapeamento mais acurado e robusto das áreas inundadas, reduzindo erros comuns associados à presença de sombras topográficas e ruídos espectrais. Além disso, a abordagem baseada na PCA deve permitir uma melhor discriminação das áreas afetadas, minimizando a dependência de limiares empíricos utilizados em índices espectrais convencionais e por considerar dados de radar prevemos um ganho de performance e replicação dessa abordagem para regiões tropicais.
