Abordagem híbrida aplicada ao monitoramento sistemático do estado trófico da água por sensoriamento remoto em reservatórios: reservatório da UHE Ibitinga/SP

Resumo

O uso do sensoriamento remoto (SR) para o monitoramento do estado trófico de águas interiores depende da calibração de algoritmos bio-ópticos de clorofila-a (chl-a). Um dos principais fatores limitantes da calibração desses algoritmos é que eles não conseguem lidar com precisão com as amplas faixas de concentração de chl-a em águas opticamente complexas sujeitas a diferentes estados tróficos. Assim, este estudo propôs uma abordagem híbrida, que é uma estrutura combinada de algoritmos calibrados com dados in situ para faixas específicas de concentração da chl-a, para monitorar sistematicamente o estado trófico da água em reservatórios por SR. A área de estudo é o reservatório de Ibitinga, localizado no médio Tietê (região central do estado de São Paulo), sendo caracterizado por uma elevada variabilidade espaço-temporal da concentração da chl-a (31000 mg/m3). As seguintes etapas foram realizadas para atingir o objetivo do presente estudo: 1) classes ópticas de faixas específicas de concentração da chl-a foram definidas usando os métodos limnológico e óptico; 2) algoritmos bio-ópticos de chl-a foram calibrados/validados para cada classe óptica usando a simulação Monte Carlo a partir de medidas de Rrs in situ simuladas para as bandas do sensor MultiSpectral Instrument (MSI) do Sentinel-2; e 3) aplicou-se um classificador de árvore de decisão na imagem MSI/Sentinel-2 para detectar as classes ópticas de faixas específicas de concentração da chl-a e alternar entre os algoritmos mais adequados para cada classe. Os resultados mostraram que as três classes ópticas definidas apresentaram diferentes intervalos de concentração da chl-a: a) para o método limnológico a classe óptica OligoMeso teve intervalo de variação de 0-11,03 mg/m3, a classe óptica EutroSuper intervalo de 11,0369,05 mg/m3 e a classe óptica Hiper valor de chl-a maior que 69,05 mg/m3; e b) para o método óptico a classe óptica Classe 1 teve intervalo de variação de 2,8922,83 mg/m3, a classe óptica Classe 2 intervalo de 19,5187,63 mg/m3 e a classe óptica Classe 3 intervalo de 75,89938,97 mg/m3. Os algoritmos de melhor desempenho para as classes ópticas descritas são, respectivamente: a) para Modelo Híbrido Limnológico (MHL): 3 bandas (R² = 0,92; MAPE = 25,17%), Normalized Difference Chlorophyll Index (NDCI: R² = 0,79; MAPE = 24,04%), e 2 bandas ou slope (B5/B3: R² = 0,89; MAPE = 21,78% / slope: R² = 0,88; MAPE = 26,65%); e b) para o Modelo Híbrido Óptico (MHO): 3 bandas (R² = 0,78; MAPE = 34,36%), slope (R² = 0,93; MAPE = 23,35%), e 2 bandas (B5/B3: R² = 0,82; MAPE = 21,40% / B6/B3: R² = 0,98; MAPE = 20,12%). O classificador da árvore de decisão mostrou uma acurácia de 95% na detecção das classes ópticas dos métodos limnológico e óptico. A performance geral do MHL e MHO foram satisfatórias (MHL: R2 = 0,94; MAPE = 22,55% / MHO: R2 = 0,98; MAPE = 26,33%) usando dados in situ, mas foi reduzida usando a imagem MSI/Sentinel-2 (MHL: R2 = 0,56; MAPE = 33,99% / MHO: R2 = 0,42; MAPE = 28,32%) devido possivelmente à diferença temporal entre os matchups, à variabilidade na hidrodinâmica do reservatório, à heterogeneidade da janela 3x3 pixels e à diferença de resolução espacial entre os dados de campo e da imagem MSI/Sentinel-2. Existem algumas limitações da abordagem híbrida desenvolvida neste estudo relacionadas à correção atmosférica e correção do glint, e também à sensibilidade do modelo de melhor desempenho em baixas condições tróficas da água. Mas de maneira geral, a estrutura da abordagem híbrida permitiu uma estimativa mais precisa da chl-a em águas interiores eutrofizadas. Mesmo tendo desempenhos semelhantes, o MHO mostrou ser um método mais preciso que o MHL para estimar a concentração da chl-a, e consequentemente o estado trófico, no reservatório de Ibitinga. Isso porque as classes ópticas do método óptico estariam menos sujeitas a influência da variação da intensidade da Rrs decorrentes de incertezas na coleta de campo, a validação da árvore de decisão do MHO com dados in situ e com a imagem gerou menos erros de classificação e a estrutura da condicional da árvore de decisão do MHO não usou a Banda 6 (B6) do MSI/Sentinel-2, que geralmente não tem uma boa correção atmosférica pelo 6S (superestimada) em águas interiores, podendo isso levar a erros na classificação do pixel e, consequentemente, na estimativa da chl-a. Por fim, o resultado das séries temporais mostraram que a eutrofização no reservatório de Ibitinga foi intensificada a partir do ano de 2018, aplicando ambos modelos híbridos nas imagens MSI/Sentinel-2. Para o MHL, o estado trófico predominante no reservatório nos meses de 2018/2019 foi o hipereutrófico, enquanto para o MHO foi o supereutrófico. ABSTRACT: Using remote sensing for monitoring trophic states of inland waters relies on the calibration of chlorophyll-a (chl-a) bio-optical algorithms. One of the main limiting factors of calibrating those algorithms is that they cannot accurately cope with the wide chl-a concentration ranges in optically complex waters subject to different trophic states. Thus, this study proposes a hybrid approach, which is a combined framework of algorithms calibrated with in situ data for specific chl-a concentration ranges, to systematically monitor the trophic state of water in reservoirs by SR. The study area is Ibitinga Reservoir, located in the Middle Tietê (central region of São Paulo State), being characterized by high spatiotemporal variability of chl-a concentrations (31000 mg/m3). We took the following steps to address this issue: 1) we defined optical classes of specific chl-a concentration ranges using limnological and optical methods; 2) we calibrated/validated chl-a bio-optical algorithms for each optical class using Monte Carlo simulation from in situ Rrs data simulated for MultiSpectral Instrument (MSI) bands of Sentinel-2; and 3) we applied a decision tree classifier in MSI/Sentinel-2 image to detect the trophic classes and to switch to the suitable algorithm for the given class. The results showed that the three defined optical classes presented different ranges of chl-a concentration: a) for the limnological method, the optical class OligoMeso had a variation range of 0-11,03 mg/m3, the optical class EutroSuper a range of 11,0369,05 mg/m3, and the optical class Hiper chl-a values more than 69,05 mg/m3; and b) for the optical method, the optical class Class 1 had a variation range of 2,8922,83 mg/m3, the optical class Class 2 a range of 19,5187,63 mg/m3, and the optical class Class 3 a range of 75,89938,97 mg/m3. The best performance algorithms for the described optical classes are, respectively: a) for Limnological Hybrid Model (LHM): 3-band (R² = 0,92; MAPE = 25,17%), Normalized Difference Chlorophyll Index (NDCI: R² = 0,79; MAPE = 24,04%), and 2-band or slope (B5/B3: R² = 0,89; MAPE = 21,78% / slope: R² = 0,88; MAPE = 26,65%); and b) for Optical Hydrid Model (OHM): 3-band (R² = 0,78; MAPE = 34,36%), slope (R² = 0,93; MAPE = 23,35%), and 2-band (B5/B3: R² = 0,82; MAPE = 21,40% / B6/B3: R² = 0,98; MAPE = 20,12%). The decision tree classifier showed an accuracy of 95% for detecting optical classes of the limnological e optical methods. The overall performance of LHM and OHM were satisfactory (LHM: R2 = 0,94; MAPE = 22,55% / OHM: R2 = 0,98; MAPE = 26,33%) using in situ data but reduced in the MSI/Sentinel-2 image (LHM: R2 = 0,56; MAPE = 33,99% / OHM: R2 = 0,42; MAPE = 28,32%) possibly due to the temporal gap between matchups, the variability in reservoir hydrodynamics, the heterogeneity of the 3x3 pixel window and the difference in spatial resolution between the field data and the MSI/Sentinel-2 image. There are some limitations of the hybrid approach developed in this study related to atmospheric and glint correction and to the sensibility of the best performing model in low trophic conditions of the water. But in general, the extension of the hybrid approach framework allowed a more precise chl-a estimate in eutrophic inland waters. OHM proved to be a more accurate method than LHM for estimating chl-a concentration, as well as the trophic state, in Ibitinga Reservoir. This is because the optical classes of the optical method would be less subject to the influence of the variation in Rrs intensity due to uncertainties in the field collection, the validation of the MHO decision tree with in situ data and image generated less classification errors, and the conditional structure of the MHO decision tree did not use the MSI/Sentinel-2 B6, which generally does not have a good atmospheric correction for 6S (overestimated) in inland waters, and this can lead to errors in pixel classification and, consequently, in the estimate of chl-a. Finally, the time series result showed that eutrophication in Ibitinga Reservoir was intensified from 2018, applying both hybrid models in MSI/Sentinel-2 images. For MHL, the predominant trophic state in the reservoir in 2018/2019 months was hypereutrophic, while for MHO it was supereutrophic.

Tipo