Avaliação da resolução espacial e espectral de imagens de satélite na identificação das mudanças de uso e ocupação em áreas de rompimento da barragem de rejeitos B1, na sub-bacia do Ribeirão Ferro-Carvão, em Brumadinho, MG

• Ano de defesa: 2023
• Autor(a) principal: MANGUSSI FILHO, Carlos Roberto
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Triângulo Mineiro; Pró-Reitoria de Pesquisa e Pós-Graduação; Brasil; UFTM; Programa de Pós-Graduação em Ciência e Tecnologia Ambiental
• Palavras-chave em Português: Impactos socioambientais.; Cobertura da terra.; Aprendizado de máquina.; Google Earth Engine.; Random Forest.; Socioenvironmental impacts.; Soil cover.; Machine learning.; CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS::GEOFISICA::SENSORIAMENTO REMOTO
• Link de acesso: http://bdtd.uftm.edu.br/handle/123456789/1550

O rompimento de barragens de rejeitos causa diversos impactos socioambientais, sendo que tais substâncias podem ser tóxicas tanto para o ecossistema quanto para a população, modificando o uso e ocupação das áreas. O Brasil vivenciou dois acidentes com barragens no estado de Minas Gerais, Brasil, em um período de 5 anos, o primeiro em 2015 na cidade de Mariana, e, em 2019 o fato se repetiu no município de Brumadinho, assim, conhecer as mudanças ocorridas no uso e ocupação solo após estes desastres é de suma importância para reparos ou mitigação da degradação ambiental. Este estudo buscou diagnosticar as mudanças na ocupação do solo ocorridas pelo rompimento da barragem B1 em Brumadinho (Brasil) na sub-bacia do ribeirão Ferro-Carvão. Como ferramenta utilizou-se de imagens Landsat 8 (30 m), Sentinel-2 (10 m) e Planet Dove (4.77 m) coletadas entre 2018 e 2021 que foram processadas na plataforma do Google Earth Engine. O algoritmo de aprendizagem de máquina Random Forest foi utilizado para a construção dos cenários espaço-temporais, apresentando sua respectiva precisão de classificação, ao identificar as mudanças morfológicas oriundos do rompimento. Assim, a acurácia do sensoriamento remoto associado a modelos de machine learning para identificação das alterações de cobertura da terra gerada pelo rompimento de barragens de rejeitos sob diferentes resoluções espaciais e espectrais está sendo abordado neste trabalho. Os resultados mostraram que a resolução espectral das imagens influencia na precisão da classificação e que todos os satélites avaliados apresentaram capacidade na classificação do uso e cobertura da terra em sub-bacia com rompimento de barragem