"Ciências Básicas para o Desenvolvimento Sustentável"
24 a 26 de outubro de 2023
Trabalho 19538
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Geociências |
| Setor | Departamento de Engenharia Civil |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Lucas Ramos de Aguilar |
| Orientador | ITALO OLIVEIRA FERREIRA |
| Outros membros | Felipe Catão Mesquita Santos, Filipe Floriano da Cruz, Laura Coelho de Andrade, Victória Gibrim Teixeira |
| Título | Avaliação da aplicabilidade de sistemas Sidescan Sonar na definição dos componentes sedimentares do leito de rios e reservatórios. |
| Resumo | O Side Scan Sonar (SSS) é um sistema que emprega a emissão e recepção de ondas acústicas através da varredura lateral do fundo submerso para produção de um mosaico da superfície de um corpo d'agua com diferentes intensidades, texturas e brilhos, os quais variam de acordo com a energia recebida pelo sensor durante a varredura. Segundo a IHO (International Hydrographic Organization), este padrão de imagem combinada à amostragem geofísica de sedimentos atribui um perfil geológico à área de estudo. Nesse sentido, no presente estudo foi avaliada a utilização da imagem do SSS para classificação dos sedimentos, utilizando de algoritmos de Machine Learning para um dos reservatórios da UFV. A imagem obtida provém de um levantamento realizado no mês de setembro de 2022 e corrigida dos efeitos geométricos e radiométricos no software SonarWiz. Neste ambiente, aplicou-se uma classificação não supervisionada da imagem final avaliando as texturas por região com pixel de 100 m² e com definição das classes de variação por entropia e intensidade. Para as 12 classes determinadas foram coletadas in loco amostras de sedimento levados para análise de textura em laboratório.Com isso, obteve-se os teores de areia grossa, areia fina, argila e silte para cada ponto, que foram justapostos aos dados de posição (X e Y) e nível de brilho fornecido pela imagem do SSS. Para obter as informações para todos os pixels contidos na imagem, foi feita uma interpolação com os parâmetros obtidos para os pontos amostrados, e, com base no diagrama triangular simplificado, utilizado pela EMBRAPA, associou-se todas as novas amostras com um tipo de solo, obtendo para toda a região estudada três tipos de solo distintos: Muito Argiloso (acima de 60 % de argila), Argiloso (de 35% à 60%) e Médio (composta por no máximo 70% de areia e entre 20% a 40% de argila). Os dados da classificação foram aplicados a dois algoritmos em de Machine Learning de classificação supervisionada para a avaliação da acurácia e índice kappa, ao qual avalia a confiabilidade da classificação a partir da matriz de confusão gerada o de acordo com a dificuldade de diferenciar o tipo de solo em cada pixel. Os classificadores utilizados Random Forest e C.5.0 apresentaram uma acurácia de 0.99 e 0.98, respectivamente e um índice Kappa 0.98 e 0.96, respectivamente, indicando que os mesmos são capazes de fornecer uma classificação satisfatória associados aos níveis digitais da imagem de SSS para a área de estudo. |
| Palavras-chave | Sidescan, Classificação, Mapeamento Sedimentar |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|