Chlorophyll a spatial inference using artificial neural network from multispectral images and in situ measurements

Portuguese. Considerando a importância do monitoramento de parâmetros da qualidade da água, o sensoriamento remoto é uma alternativa viável à detecção de variáveis limnológicas que possuem propriedades de interação com a radiação eletromagnética, chamadas componentes opticamente ativos (COA). Dentre esses, cita-se a clorofila a, que é o pigmento mais representativo da atividade fotossintética em todas as classes de algas. Nesse sentido, o presente trabalho se propôs a desenvolver um método de inferência espacial da concentração de clorofila a utilizando Redes Neurais Artificiais (RNA). Para atingir tal objetivo, foi utilizada uma imagem multiespectral e medidas fluorimétricas como dados de entrada. A imagem multiespectral foi tratada, os dados de treinamento e validação da rede foram cuidadosamente selecionados e, a partir disso, foi definida a arquitetura de RNA e parâmetros mais adequados para modelar a variável de interesse. Ao final do treinamento, a rede foi aplicada à imagem e foi efetuada uma análise de qualidade. Com isso, percebeu-se que a interação entre dados fluorimétricos e multiespectrais forneceu bons resultados de aplicação quando combinados em uma estrutura de redes neurais artificiais.

English. Considering the importance of monitoring the water quality parameters, remote sensing is a practicable alternative to limnological variables detection, which interacts with electromagnetic radiation, called optically active components (OAC). Among these, the phytoplankton pigment chlorophyll a is the most representative pigment of photosynthetic activity in all classes of algae. In this sense, this work aims to develop a method of spatial inference of chlorophyll a concentration using Artificial Neural Networks (ANN). To achieve this purpose, a multispectral image and fluorometric measurements were used as input data. The multispectral image was processed and the net training and validation dataset were carefully chosen. From this, the neural net architecture and its parameters were defined to model the variable of interest. In the end of training phase, the trained network was applied to the image and a qualitative analysis was done. Thus, it was noticed that the integration of fluorometric and multispectral data provided good results in the chlorophyll a inference, when combined in a structure of artificial neural networks.