Coordenar a amostragem in situ de lagos com dias de aquisição de satélite é um bom mecanismo para lidar com a escassez de dados: um estudo de caso do Lago Yojoa, Honduras

Resumo:

Objetivo  Neste estudo, apresentamos os resultados de um projeto que utilizou dados de refletância de superfície da Landsat Collection 2 e dados de reanálise v5 (ERA5) do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF) para desenvolver um modelo de aprendizado de máquina para estimar a profundidade do disco de Secchi no Lago Yojoa, Honduras.

Métodos  Os dados de sensoriamento remoto por satélite, obtidos dentro de uma janela de 7 dias de uma medição in situ, foram combinados com medições in situ da profundidade de Secchi e particionados em conjuntos de treinamento, teste e validação para o desenvolvimento do modelo.

Resultados  O modelo de aprendizado de máquina apresentou boa concordância (R² = 0,57) e incerteza razoável (MAE = 0,58 m) entre as estimativas remotas da profundidade de Secchi e as observações in situ. A aplicação do modelo de aprendizado de máquina ampliou o registro de monitoramento do Lago Yojoa, de 6 anos de dados medidos para um total de 23 anos.

Conclusões  Este modelo demonstra a utilidade de coordenar cronogramas de amostragem in situ de projetos de pesquisa de curto prazo com cronogramas de aquisição de imagens de satélite, aumentando assim a cobertura temporal de estimativas derivadas de sensoriamento remoto da qualidade da água em lagos pouco estudados.

Palavras-chave:
sensoriamento remoto; transparência da água; tendências de qualidade da água