As atividades humanas em escala global têm contribuído significativamente para a mudança na qualidade dos corpos d’água, aumentando os níveis de nutrientes. Nessas circunstâncias, as algas proliferaram rapidamente e suas concentrações estão acima dos níveis normais. A falta de dados in situ, em países da América Latina, por exemplo, limita a capacidade de gestão da qualidade da água devido à escassez de informações sobre o estado atual das águas superficiais. Nesse cenário, técnicas de sensoriamento remoto e computação em nuvem são ferramentas fundamentais para fornecer indicadores precisos e rápidos quanto à ocorrência de AB e Níveis tróficos em grandes áreas, apoiando ainda mais os tomadores de decisão e ações de gestão.
No ano passado, em colaboração com vários pesquisadores, foi aprovado pelo Google Earth Engine (GEE) [1] e pela Earth Observation Data Science ( EO) [2]. Até agora, a metodologia proposta usa imagens Sentinel-2 corrigidas para efeitos atmosféricos e de reflexo solar para gerar uma coleção de imagens do Índice de Clorofila a Diferença Normalizada (NDCI) [3] para toda a série temporal (agosto de 2015 até o presente) de uma determinada área. O NDCI recuperado das imagens é comparado com chl-a medido in situ com uma janela de tempo de + – 2 dias para comparações. NDCI é usado para estimar a concentração de chl-a aplicando um modelo de ajuste não linear e também é usado para classificar cada pixel em 5 classes de Índice de Estado Trófico (Oligo, Meso, Eutrófico, Super e Hipereutrófico) [4] com base em um modelo de árvore-decisão. Uma vez que a abordagem seja desenvolvida e validada usando locais-piloto, o método será transferido para as partes interessadas em vários níveis para fornecer informações AB para os principais corpos d’água / reservatórios na América Latina.
Neste artigo, relatamos os primeiros resultados para a Bacia do Rio Tietê, um dos principais afluentes da Bacia do Rio Paraná, localizado no Estado de São Paulo, Brasil (Figura 1). A água em grandes áreas urbanas de São Paulo é fornecida por diversos reservatórios. O rápido processo de urbanização e industrialização levou a altas concentrações de nitrogênio e fósforo nas águas superficiais e, consequentemente, degradação e eutrofização da qualidade da água. Por exemplo, o reservatório Billings, que está localizado a montante da bacia do Tietê, tem enfrentado sérios problemas de poluição da água devido à expansão de favelas urbanas sem sistema de esgoto ou coleta de resíduos sólidos. Como resultado, níveis elevados de chl-a e TSI foram frequentemente observados ao longo do ano passado (Figura 2).
O uso de computação em nuvem (GEE) para processar todas as imagens do Sentinel-2 e gerar a coleção NDCI, permite acesso rápido aos níveis de chl-a e TSI (Índice do Estado Trófico) para qualquer corpo d’água dentro da área de estudo (Bacia do Rio Paraná , Figura 1), que inclui diversos reservatórios e barragens, como Itaipu, Três Marias, Sistema Cantareira e outros.
Mais importante ainda, todas essas informações estarão disponíveis gratuitamente para o público em geral por meio de um APP do Earth Engine (Figura 2) que permite a avaliação personalizada de uma determinada massa de água que pode ser escolhida em uma lista ou desenhada pelo usuário na tela do mapa. O APP está em desenvolvimento e em breve será lançado na galeria do GEE APP. O usuário será capaz de definir intervalo de datas, ROI (Região de interesse), gráficos de série temporal (NDCI ou Chl-a) e gráficos de área TSI (% área de classe) e salvar esses gráficos como textos ou formatos de imagem.
Para as atividades seguintes do projeto, planejamos melhorar o APP e lançá-lo on-line nas próximas semanas. Também estenderemos a coleção NDCI a outras regiões importantes da América do Sul, como Uruguai, Argentina e Nordeste do Brasil. No entanto, essa extensão depende de dados in-situ para validação do algoritmo, o que poderia ser realizado com mais dados de clorofila in-situ fornecidos pelos usuários e colaboradores. Finalmente, este projeto representa a aplicação de ponta de Sensoriamento Remoto e Computação em Nuvem para fornecer alertas de proliferação de algas quase em tempo real nas regiões da América Latina, ajudando governos, instituições e tomadores de decisão a tomar decisões rápidas para proteger e mitigar o meio ambiente impactos derivados de eventos de proliferação de algas.
Figura 1. a) A região cinza escuro mostra a Bacia do Rio Paraná no Brasil; b) As massas de água na paleta da Bacia do Rio Paraná de acordo com a concentração média de Chl-a para 2020. O retângulo vermelho indica o reservatório Billings tomado como exemplo para o aplicativo GEE (ver Figura 2).
Figura 2: Tela de impressão da versão atual do aplicativo GEE experimental. a) Visualização de mapas e classificações; b) Interface do usuário, onde o usuário pode escolher intervalo de datas, ROI e selecionar os produtos (NDCI, Chl-a e / ou TSI) a serem exibidos como gráficos (ce d).
Reconhecimentos
Agradecemos a Juan Torres-Batllo (EO Data Science) por seu suporte útil nos scripts do Google Engine.
Referencias
1. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. 2017. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment.
2. Earth Observation Data Science. https://eodatascience.com
3. Mishra, S., Mishra, D. Normalized difference chlorophyll index: A novel model for remote estimation of chlorophyll-a concentration in turbid productive waters, Remote Sensing of Environment, Volume 117, 2012, Pages 394-406.
4. CETESB, São Paulo State, https://cetesb.sp.gov.br/aguas-interiores/publicacoes-e-relatorios/
Autores
Felipe Lobo1, Federal University of Pelotas (UFPel), R. Gomes Carneiro, 01 – Centro, Pelotas/ RS, Brazil.
Gustavo Nagel2 & Daniel Maciel3, National Institute for Space Research (INPE), Av. dos Astronautas, 1758, São José dos Campos/SP, Brazil.
Lino Carvalho4, Federal University of Rio de Janeiro (UFRJ), Rua Athos da Silveira Ramos, 274, Bloco G, Cidade Universitária, Rio de Janeiro/RJ, Brazil
felipe.lobo@ufpel.edu.br
