
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Fia, Ronaldo | - |
| Autor(es): dc.contributor | Matos, Mateus Pimentel de | - |
| Autor(es): dc.contributor | Coelho, Gilberto | - |
| Autor(es): dc.contributor | Borges, Alisson Carraro | - |
| Autor(es): dc.contributor | Beskow, Samuel | - |
| Autor(es): dc.creator | Silva, Willian Geraldo da | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:11:31Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:11:31Z | - |
| Data de envio: dc.date.issued | 2025-09-26 | - |
| Data de envio: dc.date.issued | 2025-06-18 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/60347 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1156277 | - |
| Descrição: dc.description | The objective of this study is to develop models to estimate water quality parameters such as Total Dissolved Solids (TDS), Total Solids (TS), and Turbidity in the UHE Jaguara reservoir. To achieve this, reflectance data from the MSI/Sentinel-2 sensor were used in conjunction with in situ measurements, aiming to provide more efficient and accurate water quality monitoring in this important reservoir. The input data were obtained from 21 sampling campaigns conducted between 2018 and 2023, evaluated in scenarios with and without outlier removal. The results indicated that machine learning models performed better in predicting the three parameters. The Random Forest model using band 2186 was the most effective for TDS (r = 0.84), while the 559/864 band ratio combined with the Decision Tree model stood out for TS (r = 0.51). For turbidity, the Random Forest model using all bands achieved r = 0.70. The analysis of the predictive maps confirmed the field data, showing that the highest concentrations of TDS, TS, and turbidity occurred during the rainy season, particularly in the water inflow areas of the reservoir. In addition to rainfall, factors such as effluent discharges and land use changes also influenced water quality. The combination of remote sensing data and machine learning techniques proved effective in predicting water quality parameters. This enabled more accurate estimates and continuous visualization of TS, TDS, and turbidity concentrations, representing an advancement over traditional sampling methodologies. The application of this approach in the UHE Jaguara reservoir shows potential for expansion to other reservoirs, particularly in areas with varying hydrological conditions. | - |
| Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | - |
| Descrição: dc.description | O objetivo deste estudo é desenvolver modelos para estimar parâmetros da qualidade da água, como os Sólidos Dissolvidos Totais (SDT), Sólidos Totais (ST) e a Turbidez, no reservatório da UHE Jaguara. Para isso, foram utilizados dados de reflectância do sensor MSI/Sentinel-2, em conjunto com medições in situ, com o intuito de oferecer um monitoramento mais eficiente e preciso da qualidade da água nesse importante reservatório. Os dados de entrada foram obtidos a partir de 21 campanhas de amostragem realizadas entre 2018 e 2023, avaliadas em cenários com e sem remoção de valores atípicos. Os resultados indicaram que os modelos de aprendizado de máquina apresentaram melhor desempenho na previsão dos três parâmetros. O modelo Random Forest utilizando a banda 2186 foi o mais eficaz para TDS (r = 0,84), enquanto a razão de bandas 559/864 combinada com o modelo Decision Tree se destacou para TS (r = 0,51). Para turbidez, o modelo Random Forest utilizando todas as bandas obteve r = 0,70. A análise dos mapas preditivos confirmou os dados de campo, mostrando que as maiores concentrações de SDT, ST e turbidez ocorreram na estação chuvosa, especialmente nas áreas de entrada de água do reservatório. Além das chuvas, fatores como lançamentos de efluentes e mudanças no uso do solo também influenciaram a qualidade da água. A combinação de dados de sensoriamento remoto e técnicas de aprendizado de máquina mostrou-se eficaz na previsão de parâmetros da qualidade da água. Isso possibilitou estimativas mais precisas e a visualização contínua das concentrações de TS, TDS e turbidez, o que é um avanço em relação às metodologias tradicionais de amostragem. A aplicação dessa abordagem no reservatório da UHE Jaguara mostra o potencial para ser expandida para outros reservatórios, principalmente em áreas com diferentes condições hídricas. | - |
| Descrição: dc.description | Tecnológico | - |
| Descrição: dc.description | Meio ambiente | - |
| Descrição: dc.description | ODS 6: Água potável e saneamento | - |
| Descrição: dc.description | ODS 9: Indústria, inovação e infraestrutura | - |
| Descrição: dc.description | ODS 15: Vida terrestre | - |
| Formato: dc.format | application/pdf | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Recursos Hídricos | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Escola de Engenharia (EENG) | - |
| Palavras-chave: dc.subject | Sensoriamento remoto | - |
| Palavras-chave: dc.subject | MSI/Sentinel-2 | - |
| Palavras-chave: dc.subject | Qualidade da água | - |
| Palavras-chave: dc.subject | Aprendizado de máquina | - |
| Palavras-chave: dc.subject | Modelagem preditiva | - |
| Palavras-chave: dc.subject | Remote sensing | - |
| Palavras-chave: dc.subject | Water quality | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Predictive modeling | - |
| Palavras-chave: dc.subject | ENGENHARIAS::ENGENHARIA SANITARIA::RECURSOS HIDRICOS | - |
| Título: dc.title | Modelos para predição de sólidos dissolvidos totais, sólidos totais e turbidez no reservatório de Jaguara a partir dos dados espectrais dos satélites sentinel-2 | - |
| Título: dc.title | Models for prediction of total dissolved solids, total solids, and turbidity in the Jaguara reservoir using spectral data from sentinel-2 satellites | - |
| Tipo de arquivo: dc.type | tese | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: