Modelagem espacial de indicadores ecológicos em áreas atingidas por rejeitos de minério de ferro

• Ano de defesa: 2024
• Autor(a) principal: Souza, Artur Ferro de
• Orientador(a): Botelho, Soraya Alvarenga
• Banca de defesa: Terra, Marcela Castro Nunes Santos, Acerbi Junior, Fausto Weimar, Oliveira, Carlos Delano Cardoso de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação do Mestrado Profissional em Tecnologias e Inovações Ambientais (PPGTIA)
• Departamento: Escola de Ciências Agrárias de Lavras
• País: brasil
• Palavras-chave em Português: Restauração ecológica; Sensoriamento remoto; Aprendizado de máquina; Cobertura de dossel; Riqueza de espécies; Indicadores ecológicos; Mineração; Ecological restoration; Remote sensing; Machine learning; Canopy cover; Species richness; Ecological indicators; Mining
• Área do conhecimento CNPq: Ciências Ambientais
• Link de acesso: https://repositorio.ufla.br/handle/1/59398

A degradação ambiental decorrente de atividades humanas representa um dos desafios mais urgentes e complexos enfrentados pela sociedade contemporânea. Um exemplo desse cenário é o desastre ocorrido em Mariana, Minas Gerais, em novembro de 2015, quando o rompimento de uma barragem de rejeitos de minério de ferro resultou em consequências catastróficas para o meio ambiente local. Desde então, esforços têm sido direcionados para a restauração dessas áreas afetadas, que devem ser monitoradas para verificar a trajetória dos processos ecológicos e evolução no novo ecossistema, pois fornecem dados de erros e acertos, permitindo readequação dos métodos utilizados. Diante desse cenário, o principal objetivo desta pesquisa consiste em mapear e modelar indicadores ecológicos de diversidade (riqueza de espécies, modelo I) e estrutura (cobertura de dossel, modelo II) nas margens do rio Gualaxo do Norte, em Mariana, MG. Avaliou-se dois cenários (cenário A e cenário B), a fim de compreender a influência das variáveis de observação de campo nos modelos (cenário A, gerando os modelos IA e IIA), bem como o uso exclusivo de variáveis de sensoriamento remoto (cenário B, gerando os modelos IB e IIB). Os indicadores foram coletados em 24 transectos em seis áreas diferentes, junto aos indicadores, foram coletados dados de observação de campo (variáveis preditoras categóricas). Os dados de sensoriamento remoto (SR) foram gerados a partir de imagens Planet e utilizados na modelagem. Para realizar a modelagem e o mapeamento dos indicadores, foi utilizado o algoritmo de aprendizado de máquina Random Forest (RF), sendo gerados os modelos preliminares e, após a seleção das variáveis, gerados os modelos finais. A avaliação do desempenho dos modelos foi feita através do coeficiente de determinação (R²) e métricas de erro (Root Mean Square Error – RMSE e Mean Square Error - MAE). Os resultados mostram que para estimar riqueza de espécies, a utilização de dados categóricos de campo são fundamentais para a mitigação do efeito de saturação dos dados, além da melhora do ajuste global e da precisão do modelo. Em contrapartida, o modelo de cobertura de dossel se ajustou melhor utilizando apenas as variáveis de sensoriamento remoto. As variáveis que mais contribuíram com a estimativa espacial de riqueza de espécies (modelo IB) e cobertura de dossel (modelo IIB) foram, respectivamente, média textural do infravermelho próximo e índice de vegetação NDVI.