Banca de QUALIFICAÇÃO: DEIVIDY KAIK DE LIMA ARAUJO

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE: DEIVIDY KAIK DE LIMA ARAUJO
DATA: 22/04/2026
HORA: 14:00
LOCAL: Sala Virtual Google Meet: https://meet.google.com/oab-sjyf-pgs
TÍTULO: ESTIMATIVA ROBUSTA DE CLOROFILA-A EM ÁGUAS ESTUARINAS OPTICAMENTE COMPLEXAS POR MEIO DE INTELIGÊNCIA ARTIFICIAL E DADOS SENTINEL-2 NO DELTA MOBILE–TENSAW (ALABAMA, EUA)
PALAVRAS-CHAVES: Eutrofização estuarina; Aprendizado de Máquina; Qualidade da água; Sensoriamento remoto multiespectral.
PÁGINAS: 118
RESUMO: A estimativa da clorofila-a (Chl-a) por sensoriamento remoto em estuários opticamente complexos constitui um desafio recorrente em estudos hidrológicos, especialmente em águas do tipo Caso-2, onde a resposta espectral é fortemente modulada pela interação entre sedimentos inorgânicos, matéria orgânica dissolvida e biomassa fitoplanctônica. Este estudo investiga o desempenho de modelos empíricos e de técnicas de Aprendizado de Máquina para a estimativa da Chl-a no sistema estuarino Mobile–Tensaw Delta e na Baía de Mobile (Alabama, EUA), integrando imagens Sentinel2 e dados limnológicos in situ coletados ao longo do primeiro semestre de 2025. A abordagem metodológica foi estruturada em três etapas principais: (i) processamento e análise espaço- temporal dos dados observacionais de Chl-a e variáveis físico-químicas em ambiente Python; (ii) pré-processamento das imagens Sentinel-2, com conversão para reflectância de superfície, geração de índices espectrais e extração dos valores de reflectância correspondentes aos pontos amostrais; e (iii) integração dos conjuntos de dados para o desenvolvimento e validação de modelos preditivos baseados em regressões empíricas e Redes Neurais Artificiais do tipo Multilayer Perceptron. Os resultados evidenciam forte variabilidade sazonal da Chl-a, com transição de um regime dominado por turbidez no inverno para condições de maior produtividade fitoplanctônica na primavera. Modelos empíricos apresentaram desempenho limitado e baixa capacidade de generalização, especialmente sob condições de alta heterogeneidade e ocorrência de blooms algais (RMSE > 6 µg/L). Em contraste, os modelos baseados em Redes Neurais Artificiais demonstraram maior robustez e estabilidade, reduzindo significativamente os erros de predição (RMSE entre 3,9 e 5,2 µg/L) e capturando de forma mais consistente as relações não lineares entre variáveis espectrais e bio-ópticas. Os mapas espaciais de Chl-a derivados dos modelos baseados em Aprendizado de Máquina reproduziram adequadamente os gradientes estuarinos e a distribuição espaço-temporal dos blooms, evidenciando maior consistência hidrológica quando comparados aos modelos empíricos. Os achados reforçam o potencial da integração entre sensoriamento remoto multiespectral e modelagem orientada por dados como uma ferramenta eficaz para o monitoramento hidrológico da qualidade da água em sistemas estuarinos.
MEMBROS DA BANCA:
Presidente(a) - 1358547 - CELSO AUGUSTO GUIMARAES SANTOS
Externo(a) à Instituição - JOHN ELTON DE BRITO LEITE CUNHA
Interno(a) - 2529303 - RICHARDE MARQUES DA SILVA