Solos e Nutrição de Plantas
URI permanente para esta coleçãohttps://locus.ufv.br/handle/123456789/175
Navegar
1 resultados
Resultados da Pesquisa
Item Qualidade e comportamento espectral da água de rio afetado por rejeito de mineração(Universidade Federal de Viçosa, 2021-04-30) Santana, Felipe Carvalho; Francelino, Márcio Rocha; http://lattes.cnpq.br/2006311262852350Com o rompimento da barragem de Fundão foram lançados cerca de 44 milhões de metros cúbicos de rejeito de mineração que atingiu diretamente a bacia hidrográfica do rio Doce. Sendo assim, esse trabalho teve com objetivos: estudar a qualidade da água do rio Gualaxo do Norte no trecho atingido pelo rompimento da barragem de Fundão por meio de diferentes técnicas. Apresentar o cenário histórico da qualidade do rio Gualaxo no que tange o parâmetro de Turbidez, antes (1999), após o acidente (2016) e após o início das atividades de recuperação (2017 a 2019). Modelar a turbidez do rio Doce utilizando técnicas de sensoriamento remoto. Predizer variáveis físicas e químicas a partir de valores de turbidez verificadas em campo. Correlacionar a resposta espectral de imagens de satélite do sensor orbital Sentinel-2 com parâmetros de qualidade da água. Levantar melhores modelos de machine learning que possam predizer a qualidade da água dos rios. Para compor esse trabalho foram utilizados os dados da qualidade da água dos rios Gualaxo do Norte e Carmo durante o inverno de 1999 e verão de 2000, do inverno de 2016, um ano após o rompimento da barragem de Fundão e de coletas de amostras de água realizadas ao longo dos anos 2017 a 2019, após a consolidação das atividades de recuperação. No total foram realizadas 25 coletas nos trechos dos rios Gualaxo e Carmo. Foram utilizados dados de monitoramento do rio Doce em 13 estações automáticas, no total de 78 amostras de turbidez. A Turbidez no rio Gualaxo do Norte, mesmo com as atividades de recuperação teve picos de 300 e 400 NTU em 2017 e 2019. O modelo gerado para Turbidez para o rio Doce mostra que essa variável pode ser mensurada a partir de dados de sensores remotos com precisão de 0,6, podendo ser apresentada de forma contínua em todo o trecho do rio Doce. A regressão linear do SST e do Fe total foram superiores a 0,80 de R2 mostrando a correlação linear entre as variáveis. As relações de bandas desenvolvidas neste trabalho tiveram boa correlação com as variáveis Turbidez e Cor. Os modelos de árvore de decisão como Ranger, cubist e Random Forest, em geral obtiveram melhores resultados na modelagem de variáveis onde não possui pontos de monitoramento. Palavras-chave: Análise de Componentes Principais. Turbidez. Legislação Ambiental. Sensoriamento Remoto. Machine Learning.