Detecção, monitoramento e previsão de anomalias com aplicação em estudos de caso relacionados à floração de algas potencialmente tóxicas utilizando dados multitemporais de sensoriamento remoto e algoritmos de Aprendizado de Máquina

Abstract

Globalmente, foram observadas nos últimos anos severas mudanças ambientais e climáticas. Neste cenário, destacam-se o aumento de eventos de floração de algas tóxicas, responsáveis pela degradação da qualidade da água e, principalmente, ameaça à saúde dos seres vivos. Estudos apontam para a necessidade de monitoramento e previsão desse fenômeno, os quais podem ser conduzidos segundo a concentração de clorofila. Perante esta motivação, utilizando-se técnicas de Aprendizado de Máquina e séries multitemporais de dados obtidos por Sensoriamento Remoto, foram desenvolvidos dois novos métodos capazes de proporcionar suporte à detecção e previsão de floração de algas. O primeiro visa a detecção automática do fenômeno e aplica conceitos de classificação de imagens por meio do emprego do algoritmo One-class Support Vector Machine. O segundo método é responsável por prever o seu surgimento. Como forma de evidenciar o potencial e viabilidade das propostas, os algoritmos foram aplicados em estudos de caso em áreas suscetíveis à ocorrência de floração de algas tóxicas.

Globally, severe environmental and climate changes have been observed in recent years. In such a scenario, there was also an increase in the bloom of toxic algae, responsible for the degradation of water quality and threatening living beings' health. Studies point to the need to monitor and predict this phenomenon with basis on the chlorophyll concentration information. In the face of this motivation, using Machine Learning techniques and Remote Sensing multitemporal image series, two novel methods were developed to detect and forecast algae bloom. The first aims at the automatic detection of the phenomenon and applies concepts of image classification through the use of the One-class Support Vector Machine algorithm. The second method is responsible for predicting its emergence. Different case studies were carried in order to prove the potential of the proposed methods.