O monitoramento de recursos hídricos serve como base para tomada de decisão e para amenizar os efeitos de futuras crises hídricas, como, por exemplo, a crise no Sistema Cantareira, área de estudo deste trabalho, no biênio 2013/14. Investigamos a confiabilidade da classificação de imagens orbitais, utilizando técnicas de sensoriamento remoto e aprendizado de máquina no contexto de recursos hídricos, que é um recurso indispensável para a sociedade. Os experimentos foram realizados nas seis represas que compõem o Sistema Cantareira, e utilizamos imagens multiespectrais do satélite RapidEye, que apresenta uma resolução espacial de 5 metros. Foram testados quatro métodos de classificação, sendo eles: Distância Mínima, Máxima Verossimilhança, Mapeamento do Ângulo Espectral e Random Forest. Os métodos Distância Mínima, Máxima Verossimilhança e Random Forest atingiram uma exatidão superior a 95%, sendo Random Forest, o único método de aprendizado de máquina, com a maior exatidão (98,06%). Os resultados mostram que a combinação de imagens RapidEye com as técnicas clássicas e de aprendizado de máquina permitiram o mapeamento detalhado e exato de recursos hídricos no Sistema Cantareira, podendo ser replicados em outras áreas de estudo.
The monitoring of water resources serves as a basis for decision-making and to mitigate the effects of future water crises, such as the crisis in the Cantareira System, the study area of this work, in the 2013/14 biennium. We investigate the reliability of image classification using remote sensing and machine learning techniques in the context of water resources, which is an indispensable resource for society. The experiments were carried out in the six dams that make up the Cantareira System, and we used RapidEye orbital multispectral images, which have a spatial resolution of 5 meters. Four classification methods were tested, namely: Minimum Distance, Maximum Likelihood, Spectral Angle Mapping and Random Forest. The Minimum Distance, Maximum Likelihood and Random Forest methods reached an accuracy greater than 95%, with Random Forest, the only machine learning method, with the highest accuracy (98.06%). . The results show that the combination of RapidEye images with classical techniques and machine learning allowed the detailed and accurate mapping of water resources in the Cantareira System, which could be replicated in other study areas.
