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

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBotelho, Soraya Alvarenga-
Autor(es): dc.contributorTerra, Marcela Castro Nunes Santos-
Autor(es): dc.contributorAcerbi Junior, Fausto Weimar-
Autor(es): dc.contributorOliveira, Carlos Delano Cardoso de-
Autor(es): dc.creatorSouza, Artur Ferro de-
Data de aceite: dc.date.accessioned2026-02-09T11:57:29Z-
Data de disponibilização: dc.date.available2026-02-09T11:57:29Z-
Data de envio: dc.date.issued2024-09-16-
Data de envio: dc.date.issued2024-09-16-
Data de envio: dc.date.issued2024-09-16-
Data de envio: dc.date.issued2024-09-16-
Data de envio: dc.date.issued2024-02-20-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/59398-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1151212-
Descrição: dc.descriptionEnvironmental degradation resulting from human activities represents one of the most urgent and complex challenges faced by contemporary society. An example of this scenario is the disaster that occurred in Mariana, Minas Gerais, in November 2015, when the collapse of an iron ore tailings dam resulted in catastrophic consequences for the local environment. Since then, efforts have been directed towards the restoration of these affected areas, which must be monitored to verify the trajectory of ecological processes and evolution in the new ecosystem, as they provide data on errors and successes, allowing readjustment of the methods used. Given this scenario, the main objective of this research is to model and map ecological indicators of diversity (species richness, Model I) and structure (canopy cover, Model II) on the banks of the Gualaxo do Norte River, in Mariana, MG. Two scenarios were evaluated (Scenario A and Scenario B) to understand the influence of field observation variables on the models (Scenario A, generating Models IA and IIA), as well as the exclusive use of remote sensing variables (Scenario B, generating Models IB and IIB). The indicators were collected in 24 transects in six different areas. In addition to the indicators, field observation data (categorical predictor variables) were collected. Remote sensing (RS) data was generated from Planet imagery and used in the modeling. To carry out the modeling and mapping of indicators, the Random Forest (RF) machine learning algorithm was used, generating preliminary models and, after selecting the variables, generating the final models. The models' performance was assessed using the Coefficient of Determination (R²) and error metrics (Root Mean Square Error – RMSE and Mean Absolute Error - MAE). The results show that to estimate species richness, the use of categorical field data is essential for mitigating the effect of data saturation, in addition to improving the global fit and precision of the model. In contrast, the canopy cover model was better fitted using only the remote sensing variables. The variables that contributed most to the spatial estimate of species richness (Model IB) and canopy cover (Model IIB) were, respectively, near-infrared textural mean and NDVI vegetation index.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)-
Descrição: dc.descriptionA 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.-
Descrição: dc.descriptionSociais-
Descrição: dc.descriptionTecnológico-
Descrição: dc.descriptionMeio ambiente-
Descrição: dc.descriptionODS 13: Ação contra a mudança global do clima-
Descrição: dc.descriptionODS 15: Vida terrestre-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-Graduação do Mestrado Profissional em Tecnologias e Inovações Ambientais (PPGTIA)-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherEscola de Ciências Agrárias de Lavras-
Direitos: dc.rightsAttribution-ShareAlike 4.0 International-
Direitos: dc.rightsAttribution-ShareAlike 4.0 International-
Direitos: dc.rightsacesso aberto-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-sa/4.0/-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-sa/4.0/-
Palavras-chave: dc.subjectRestauração ecológica-
Palavras-chave: dc.subjectSensoriamento remoto-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectCobertura de dossel-
Palavras-chave: dc.subjectRiqueza de espécies-
Palavras-chave: dc.subjectIndicadores ecológicos-
Palavras-chave: dc.subjectMineração-
Palavras-chave: dc.subjectEcological restoration-
Palavras-chave: dc.subjectRemote sensing-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectCanopy cover-
Palavras-chave: dc.subjectSpecies richness-
Palavras-chave: dc.subjectEcological indicators-
Palavras-chave: dc.subjectMining-
Palavras-chave: dc.subjectCiências Ambientais-
Título: dc.titleModelagem espacial de indicadores ecológicos em áreas atingidas por rejeitos de minério de ferro-
Título: dc.titleSpatial modeling of ecological indicators in areas affected by iron ore tailings-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.