Abstract:
A qualidade da gestão dos recursos hídricos está diretamente relacionada com a capacidade de monitorizar e estimar o volume de albufeiras. As suas características geométricas desempenham um papel fundamental neste processo, sendo a relação entre área e volume, bem como entre a cota da água e o volume, essencial para uma gestão eficaz. No entanto, os estudos batimétricos tradicionais são dispendiosos e exigem medições in situ, tornando-se pouco práticos para muitas regiões.
Este estudo propõe uma metodologia inovadora e totalmente remota para a obtenção destas relações, combinando dados de medição remota e algoritmos de machine learning. Primeiramente, são obtidos dados de elevação da superfície da água (WSE – Water Surface Elevation) e respetivas áreas através do satélite Surface Water and Ocean Topography (SWOT) usando a API HydroChron da NASA, para uma albufeira específica e dentro de um intervalo temporal definido. Paralelamente, imagens do Satélite Sentinel-2 são extraídas do Google Earth Engine (GEE) e utilizadas para calcular o Índice Normalizado de Diferença de Água (NDWI), permitindo a criação de máscaras de água e a extração das áreas inundadas da albufeira. Para melhorar a segmentação da água, aplica-se um método baseado em clustering (K-means), garantindo uma estimativa mais precisa das
áreas aquáticas a uma resolução de 10 metros.
A relação entre área inundada e volume armazenados (curva A-V) é estabelecida fazendo coincidir as estimativas de área obtidas por satélite com os valores de WSE correspondentes. Para modelar esta relação, recorre-se a um modelo machine learning XGBoost cujos hiperparametros foram optimizados utilizando uma busca bayesiana. A curva A-H é otimizada através de uma regressão polinomial. A precisão do modelo foi avaliada com o erro absoluto percentual médio (MAPE). A curva A-V derivada permite a estimativa contínua do volume do reservatório a diferentes elevações, contribuindo para uma melhor modelação hidrológica e gestão dos recursos hídricos.
Esta abordagem remota, automática e escalável representa uma alternativa eficiente e adaptativa aos levantamentos batimétricos convencionais, será integrada no projeto BLU (https://github.com/joao862/BLU) possibilitando um acompanhamento contínuo do armazenamento de água nos reservatórios e melhorando a eficiência da gestão hídrica.
