Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 22289
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Agrárias |
| Área temática | Dimensões Ambientais: ODS13 |
| Setor | Departamento de Solos |
| Bolsa | Outros |
| Conclusão de bolsa | Não |
| Apoio financeiro | CNPq, Outros |
| Primeiro autor | Melissa Lopes Alves Soares |
| Orientador | MARCIO ROCHA FRANCELINO |
| Outros membros | Danilo César de Mello, Isabelle de Angeli Oliveira, Luís Flávio Pereira, Rafael Gomes Siqueira |
| Título | Retração glacial e expansão de áreas livres de gelo em ilhas sentinelas na Antártica Marítima: uma abordagem via Machine Learning e Sensoriamento Remoto |
| Resumo | As taxas de ablação estão maiores que os processos de acúmulo nos glaciares da Antártica Marítima. Em resposta, nas últimas décadas ocorreram a exposição de novas áreas livres de gelo e o crescimento de novos campos de líquens, musgos e gramíneas. Nesse sentido, o uso de técnicas de sensoriamento remoto aliados à aplicação de algoritmos de aprendizagem de máquina representam uma estratégia eficaz para mapear as alterações na superfície em ambientes de difícil acesso, como as regiões polares. O presente trabalho propõe a análise das mudanças na cobertura da superfície das ilhas Rei George e Nelson, Antártica Marítima, ao longo de três décadas (1989 – 2023). Foram selecionadas imagens multiespectrais das coleções Landsat-5 e Landsat-8 e imagens do tipo Synthetic Aperture Radar (SAR) da coleção Sentinel-1, todas obtidas durante o verão no hemisfério sul (dezembro a março). Os dados passaram por pré-processamentos, que incluíram correções atmosféricas e radiométricas para eliminar ruídos, além de segmentação para facilitar a coleta de amostras. Sete classes de cobertura foram definidas para classificação: i.áreas livre gelo; ii.geleira; iii.gelo morto; iv.neve; v.nuvens; vi.vegetação; e vii.água. Adicionalmente, foram calculados índices espectrais para auxiliar na classificação, sendo eles: i.Índice de Vegetação por Diferença Normalizada (NDVI); ii.Índice de Vegetação Ajustada ao Solo (SAVI); iii.Índice de Diferença Normalizada de Neve (NDSI); iv.Índice de Água Diferencial Normalizado (NDWI); v.Índice de Diferença Normalizada de Umidade (NDMI). O algoritmo Random Forest foi empregado para classificar o modelo, com a divisão das amostras entre dados de treinamento (70%) e de teste (30%). A eficácia do modelo de classificação foi analisada através de métricas como precisão, recall, F1 score, acurácia e kappa. O modelo apresentou bom desempenho, com acurácia de 94% e índice kappa de 0,93. Em relação a cobertura da superfície observou-se uma diminuição de 34% na cobertura de gelo morto, além de um aumento de 60% nas áreas sem gelo e de 68% na vegetação. Os resultados indicam que a maior parte do material de gelo perdido corresponde às áreas de gelo morto, um tipo de cobertura estagnado, que não recebe fluxo de gelo, sendo mais susceptível a perda ao longo do tempo. As mudanças foram mais acentuadas em regiões influenciadas pelo Estreito de Bransfield e em baías como a Rei George e Maxvell, locais onde a presença de águas mais quentes contribui para a perda de massa de gelo. Ademais, apesar do bom desempenho geral do modelo, foram notadas dificuldades na diferenciação entre gelo morto, neve e nuvens. De maneira geral, o modelo de classificação criado e os respectivos produtos gerados foram satisfatórios. Nesse sentido, a abordagem utilizada pode ser ampliada para diferentes áreas, favorecendo o monitoramento da cobertura da superfície em regiões remotas. |
| Palavras-chave | Mudanças climáticas, Aprendizado de máquina, Antártica. |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|