Simple Science

Ciência de ponta explicada de forma simples

# Informática# Visão computacional e reconhecimento de padrões

Acompanhando os Níveis da Água no Rio Negro

Estudo usa dados de satélite pra monitorar os impactos da seca no Rio Negro.

― 8 min ler


Níveis da água do RioNíveis da água do RioNegro caindonível da água do Rio Negro.Estudo revela mudanças drásticas no
Índice

A floresta amazônica, a maior floresta tropical do planeta, tá enfrentando uma seca bem braba. Um dos principais rios dessa área, o Rio Negro, teve seus níveis de água caindo pro ponto mais baixo em um século até outubro de 2023. Esse estudo mostra como a gente pode acompanhar as mudanças na superfície da água do Rio Negro usando tecnologia e métodos avançados.

Usando Tecnologia pra Mapear Superfícies Aquáticas

Pra acompanhar as mudanças nos níveis de água, os pesquisadores usaram um sistema de satélite chamado Sentinel-1. Esse sistema captura imagens do rio com um nível muito alto de detalhe, permitindo que os pesquisadores vejam mudanças a cada 12 dias. As imagens tiradas pelo Sentinel-1 têm uma resolução de 10 metros, o que significa que conseguem mostrar mudanças bem pequenas no tamanho e na área da superfície do rio.

Usando um método chamado aprendizado profundo U-Net, os pesquisadores criaram um modelo pra identificar superfícies aquáticas nas imagens. O modelo mostrou uma precisão bem legal nas previsões, marcando 0,93 numa escala onde 1,0 indica precisão perfeita. Esse modelo ajudou a criar uma série temporal das superfícies de água ao longo do ano, que se mostrou consistente com outros produtos de superfície aquática disponíveis, apesar de alguns erros terem sido notados.

Os pesquisadores descobriram que a superfície de água no Rio Negro alcançou seu nível mais baixo em 25 de novembro de 2023. Nesse ponto, o rio cobria apenas 68,1% da área máxima de superfície vista anteriormente. Essa informação é vital não só pra entender as condições de seca, mas também pra monitorar vários fatores ambientais na região amazônica.

Entendendo a Importância do Rio Negro

O Rio Negro é um dos principais afluentes do Rio Amazonas. Ele se estende por mais de 2.200 quilômetros e tem uma grande área de drenagem. Esse rio influencia o ciclo da água, o balanço energético e o armazenamento de carbono na região amazônica, tendo uma conexão com o sistema climático global. A seca impacta não apenas o rio, mas também os ecossistemas e comunidades ao redor que dependem dele.

Em 26 de outubro de 2023, o nível da água no Porto de Manaus caiu pra 12,7 metros, o menor registro desde 1903. Essa informação é especialmente importante porque oferece uma medida confiável dos níveis de água no rio, algo que faltava nos dados em tempo real do Rio Negro.

Desafios em Monitorar Superfícies Aquáticas

Apesar dos avanços tecnológicos, mapear superfícies aquáticas na Amazônia tem sido desafiador. Um problema grande é a cobertura de nuvens que muitas vezes obstrui as imagens de satélite. Satélites tradicionais têm dificuldade em obter imagens claras do rio, o que limita a capacidade de monitorar mudanças em tempo real. A maioria dos produtos disponíveis é gerada apenas uma vez por ano, tornando difícil acompanhar mudanças contínuas como Secas.

A capacidade única do Radar de Abertura Sintética (SAR), que consegue penetrar na cobertura de nuvens, apresenta uma oportunidade. A tecnologia SAR ajuda a obter imagens mais claras das superfícies aquáticas, facilitando a distinção entre superfícies de água e terra. Os valores de retroespalhamento mais baixos das superfícies aquáticas permitem que os pesquisadores identifiquem água de forma mais eficaz do que os métodos tradicionais.

Aprendizado Profundo e Mapeamento de Água

O estudo utilizou o poder do aprendizado profundo, especificamente o modelo U-net, que se mostrou eficaz na análise de imagens de satélite. Treinando o modelo com mapas de água anteriores, ele alcançou alta precisão na previsão de superfícies aquáticas. Muitos métodos anteriores, como índices espectrais ou aprendizado de máquina, exigem um processamento manual extenso e ainda enfrentam dificuldades com precisão.

O modelo U-net foi não só mais rápido, mas também mais preciso em identificar corpos d’água, mostrando a capacidade do aprendizado profundo em tarefas de sensoriamento remoto. O modelo foi treinado com uma variedade de superfícies aquáticas, o que ajudou a se adaptar a diferentes condições e melhorar sua eficácia em diversos ambientes.

Comparando Diferentes Fontes de Dados

Além de usar os dados do Sentinel-1, os pesquisadores compararam suas descobertas com outros conjuntos de dados já estabelecidos. Um conjunto notável é o Global Surface Water (GSW), que é baseado em dados de satélite Landsat e fornece detalhes sobre a presença de água ao longo de várias décadas. No entanto, o GSW é estático e não consegue fornecer atualizações para os anos recentes, o que o torna inadequado pra monitorar eventos em andamento como secas.

A iniciativa MapBiomas também oferece dados anuais de superfície de água, mas assim como o GSW, não tem a responsividade necessária pra acompanhar condições que mudam rápido. Outro recurso útil é o conjunto de dados LBA-ECO LC-07, que cobre a extensão de áreas alagadas, mas é de meados da década de 1990.

Ao comparar seus resultados com esses conjuntos de dados, os pesquisadores descobriram que o produto derivado do Sentinel-1 poderia preencher uma lacuna crucial, fornecendo informações mais precisas e oportunas sobre o estado do Rio Negro.

Resultados do Estudo sobre a Seca de 2023

Os resultados desse estudo mostram um impacto claro da seca de 2023 no Rio Negro. Os pesquisadores rastrearam os níveis diários de água e mapearam superfícies aquáticas a cada 12 dias durante 2022 e 2023. Eles encontraram uma forte correlação entre os níveis de água medidos no Porto de Manaus e a área estimada da superfície de água, com um coeficiente de correlação de 0,887.

Durante o período de estudo, os pesquisadores observaram uma área mediana de superfície de água de 11.795,2 km², com um máximo de 14.036,3 km² e um mínimo de 9.559,9 km² durante a seca. A seca levou a uma redução significativa na área da superfície de água, o que destaca a urgência de monitorar essas mudanças, já que podem afetar os ecossistemas locais e as comunidades.

Examinando Mudanças Sazonais

A análise também revelou padrões sazonais na ocorrência de superfícies de água ao longo do ano. Por exemplo, eles descobriram que algumas áreas permaneciam cobertas de água o ano todo, enquanto outras mostraram uma variabilidade sazonal significativa. O estudo de diferentes áreas, como os arquipélagos proeminentes no rio, ilustrou como as superfícies de água mudam dramaticamente entre altos e baixos níveis de água.

No Arquipélago de Anavilhanas, por exemplo, cerca de 40% da superfície de água era permanente, mas sua sazonalidade variava significativamente em comparação com outras regiões. Essas mudanças podem ter implicações importantes para a vida selvagem e a atividade humana nessas áreas.

Conclusões

Esse estudo enfatiza o potencial do aprendizado profundo e da tecnologia de satélites em monitorar os níveis de água no Rio Negro. O modelo U-net demonstrou que pode capturar com sucesso as mudanças na extensão da superfície de água e destacar efetivamente o impacto de eventos significativos como a seca de 2023.

Ao permitir o rastreamento em tempo real das superfícies de água, essa pesquisa abre portas pra novos estudos e aplicações no entendimento dos complexos processos hidrológicos em jogo na bacia amazônica. As capacidades da tecnologia SAR permitem uma melhor gestão dos recursos hídricos e podem até ajudar na previsão de potenciais eventos de inundação.

À medida que os extremos climáticos se tornam cada vez mais comuns, a demanda por monitoramento preciso e oportuno da água só tende a crescer. As ferramentas e métodos estabelecidos nesse estudo podem apoiar esforços contínuos pra acompanhar um dos ecossistemas mais vitais do planeta.

Aplicações Futuras

Os pesquisadores veem sua abordagem sendo aplicada a regiões maiores além do Rio Negro. Monitorar superfícies de água em diferentes partes da bacia do Rio Amazonas ou em outras áreas com condições semelhantes pode fornecer informações vitais para a gestão ambiental e a formulação de políticas.

No entanto, desafios permanecem. Por exemplo, o processo demorado de pré-processamento dos dados do Sentinel-1 pode dificultar a aplicação mais ampla. Há uma necessidade de uma infraestrutura melhor que permita um acesso mais fácil às imagens pré-processadas.

Em conclusão, a tecnologia disponível hoje é promissora. À medida que os pesquisadores continuam a aprimorar métodos para mapeamento de superfícies de água, eles também contribuem para uma maior compreensão da ecologia da Amazônia e dos efeitos significativos da mudança climática nesse ambiente crítico.

Fonte original

Título: Amazon's 2023 Drought: Sentinel-1 Reveals Extreme Rio Negro River Contraction

Resumo: The Amazon, the world's largest rainforest, faces a severe historic drought. The Rio Negro River, one of the major Amazon River tributaries, reaches its lowest level in a century in October 2023. Here, we used a U-net deep learning model to map water surfaces in the Rio Negro River basin every 12 days in 2022 and 2023 using 10 m spatial resolution Sentinel-1 satellite radar images. The accuracy of the water surface model was high with an F1-score of 0.93. The 12 days mosaic time series of water surface was generated from the Sentinel-1 prediction. The water surface mask demonstrated relatively consistent agreement with the Global Surface Water (GSW) product from Joint Research Centre (F1-score: 0.708) and with the Brazilian Mapbiomas Water initiative (F1-score: 0.686). The main errors of the map were omission errors in flooded woodland, in flooded shrub and because of clouds. Rio Negro water surfaces reached their lowest level around the 25th of November 2023 and were reduced to 68.1\% (9,559.9 km$^2$) of the maximum water surfaces observed in the period 2022-2023 (14,036.3 km$^2$). Synthetic Aperture Radar (SAR) data, in conjunction with deep learning techniques, can significantly improve near real-time mapping of water surface in tropical regions.

Autores: Fabien H Wagner, Samuel Favrichon, Ricardo Dalagnol, Mayumi CM Hirye, Adugna Mullissa, Sassan Saatchi

Última atualização: 2024-01-29 00:00:00

Idioma: English

Fonte URL: https://arxiv.org/abs/2401.16393

Fonte PDF: https://arxiv.org/pdf/2401.16393

Licença: https://creativecommons.org/licenses/by/4.0/

Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.

Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.

Mais de autores

Artigos semelhantes