Obtenção de Batimetria em Estuários Através da Aplicação de Métodos de Aprendizado de Máquina em Imagens Multiespectrais de Satélites.

Abstract

Satellite-derived bathymetry (SDA) is an efficient and low-cost way of measuring the depth of a water column. SDA is easy to apply in large regions that are difficult to access, such as shallow water areas. This work was developed with the objective of evaluating, validating and implementing the use of machine learning methods to perform satellite bathymetry in Babitonga Bay, an estuary located in the north of the state of Santa Catarina, Brazil. The primary data sources were multispectral images from the Sentinel-2 satellite, bands 1 to 8. These images were acquired in a survey category B according to NORMAM-25. The first stage of work was data preparation. This involved the acquisition and initial data processing. This stage was followed by an exploratory analysis of the image data which focused mainly on the value domain of each band and their respective distributions. Based on the dataset, the necessary manipulations performed, and the dataset ready to be used in the calibration of models, some machine-learning algorithms have been proposed to be tested and validated. The experimental results for the best model presented an r² score of 0.78 as a baseline, evolving to 0.95 after hyperparameter optimization and feature-engineering stages. All models went through advanced validation stages, including cross-validation and sliding window validation, in order to guarantee the validity of the results obtained. Among the proposed algorithms, models based on decision tree ensembles proved to be more effective. The results of the models are considered satisfactory for estimating bathymetry in estuarine environments similar to Babitonga Bay. However, because the validation process was carried out in the same place, the extrapolation capacity of the models compared to other regions has not yet been verified.

A Batimetria Derivada de Satélite (Satellite Derived Bathymetry - SDA) é um meio eficiente e de baixo custo para obtenção da profundidade da coluna d’água, principalmente pela facilidade de ser aplicada em grandes regiões e também em locais de difícil acesso como zonas rasas de estuários. O presente trabalho foi desenvolvido com o objetivo de aplicar, avaliar e validar a utilização de métodos de aprendizado de máquina para realizar a batimetria por satélite na Baía da Babitonga, um estuário localizado no norte do estado de Santa Catarina - Brasil. Como fonte primária de dados utilizou-se as imagens multiespectrais do satélite Sentinel-2, bandas 1 à 8 relacionadas por data com um levantamento batimétrico monofeixe categoria B de acordo com a NORMAM-25, realizado no local de interesse. Na primeira etapa do trabalho realizou-se a preparação dos dados, etapa esta que envolve a aquisição e processamento inicial, para então prosseguir com uma análise exploratória dos dados das imagens, analisando principalmente o domínio do valor de cada banda e suas respectivas distribuições. Com base no conjunto de dados, as devidas manipulações realizadas e o conjunto pronto para ser utilizado na calibração de modelos, foram propostos alguns algoritmos de machine-learning a serem testados e validados de acordo com métricas predefinidas. Os resultados experimentais para o melhor modelo apresentaram como baseline um r² score de 0,78 evoluindo para 0,95 após as etapas de otimização de hiperparâmetros e feature engineering. Todos os modelos passaram por etapas de validação avançada, incluindo cross-validation e validação de janela móvel, para garantirem a validade dos resultados obtidos. Dentre os algoritmos propostos, os modelos baseados em árvores de decisão se mostraram mais eficazes quando comparados aos demais. Os resultados dos modelos são considerados satisfatórios para estimação da batimetria em ambientes estuarinos similares à Baía da Babitonga, porém, devido ao processo de validação ter sido realizado no mesmo local, a capacidade de extrapolação do modelo para outras regiões não foi verificada.