Evaluating satellite and modeled lake surface water temperature across the contiguous United States.

Este estudo desenvolveu e validou modelos de aprendizado de máquina, utilizando dados de sensoriamento remoto e observações in situ, para prever com precisão a temperatura da superfície de lagos nos Estados Unidos durante todo o ano, visando aprimorar a previsão de florações de cianobactérias nocivas e apoiar a gestão de recursos hídricos e a saúde pública.

O essencial

Imagine que os lagos dos Estados Unidos são como grandes panelas de água em uma cozinha gigante. A temperatura dessa água é crucial: se ficar muito quente, pode "ferver" e criar uma sopa tóxica de algas azuis (chamadas de cyanoHABs), que faz mal para pessoas, animais e para o próprio lago.

O problema é que cozinhar (ou monitorar) 2.192 panelas diferentes, espalhadas por todo o país, é uma tarefa impossível para humanos. Não dá para ter um termômetro em cada lago, todos os dias, o ano todo. É aí que entra a história deste estudo.

Os cientistas quiseram criar um "Oráculo da Temperatura" — um modelo de computador capaz de adivinhar a temperatura de qualquer lago, todos os dias, sem precisar de um termômetro físico. Para isso, eles testaram duas receitas diferentes:

1. A Receita do "Termômetro Real" (Dados no Local)

Esta é a abordagem tradicional. Eles pegaram medições reais feitas por pessoas em barcos ou estações de monitoramento.

• O Vantagem: É como medir a temperatura da sopa com um termômetro de cozinha de alta precisão. É muito exato.
• A Desvantagem: Só tem medições em alguns poucos lagos e nem sempre no dia que você precisa. É como ter um termômetro apenas na sua cozinha, mas não saber a temperatura da sopa na casa do vizinho.

2. A Receita do "Satélite Espiã" (Dados de Satélite)

Aqui, eles usaram satélites (como o Landsat) que tiram fotos térmicas da Terra.

• A Vantagem: O satélite vê todos os lagos, todos os dias. É como ter uma câmera de segurança no céu que monitora todas as panelas ao mesmo tempo.
• A Desvantagem: O satélite é sensível. Se houver uma nuvem passando na frente da câmera, a foto fica embaçada e a leitura da temperatura erra. É como tentar medir a temperatura da sopa através de uma janela com neblina.

O Grande Experimento: A Batalha das Receitas

Os cientistas criaram dois "chefes de cozinha" (modelos de Inteligência Artificial chamados Random Forest) para tentar prever a temperatura:

1. O Chef do Satélite: Treinado apenas com as fotos do satélite.
2. O Chef do Terreno: Treinado apenas com as medições reais dos termômetros.

O que eles descobriram?

• O Chef do Terreno foi o vencedor. Ele acertou muito mais a temperatura, com menos erros. Ele aprendeu com dados precisos e conseguiu prever bem o ano todo.
• O Chef do Satélite teve dificuldades. Mesmo com mais "fotos" (dados), as nuvens e sombras atrapalharam tanto que ele começou a errar feio, especialmente no inverno ou em dias nublados. Ele tendia a achar que os lagos estavam mais frios ou mais quentes do que realmente estavam, dependendo de onde ficavam (leste ou oeste do país).

A Lição da Nuvem:
O estudo mostrou que, para o satélite funcionar bem, o céu precisa estar limpo. Eles tentaram filtrar as fotos com nuvens, mas isso deixou o "Chef do Satélite" com pouca comida para aprender (poucos dados de inverno), fazendo com que ele ficasse confuso quando o tempo esfriava.

O Resultado Final: O Mapa Mágico

Apesar de o satélite ter seus defeitos, o estudo conseguiu criar um mapa contínuo de temperatura para quase todos os lagos grandes dos EUA.

• Para que serve? Imagine que você é um guarda-costas da saúde pública. Com esse mapa, você pode avisar: "Atenção! O Lago X vai esquentar na próxima semana e pode criar algas tóxicas". Isso permite fechar praias antes que alguém fique doente ou fechar torneiras de água potável antes que a água fique ruim.
• A Metáfora Final: É como ter um sistema de previsão do tempo para a saúde dos lagos. Antes, tínhamos apenas termômetros espalhados aleatoriamente. Agora, temos uma "bola de cristal" (o modelo) que, mesmo não sendo perfeita, nos dá uma visão clara e diária de como a "sopa" está esquentando em todo o país.

Em resumo: O estudo nos ensinou que, embora os satélites sejam incríveis para ver tudo de cima, nada substitui a precisão de uma medição real no local. Mas, combinando o que sabemos com a inteligência artificial, conseguimos preencher as lacunas e proteger nossos lagos e a água que bebemos.

Resumo técnico

Título: Avaliação da temperatura da superfície da água de lagos via satélite e modelagem nos Estados Unidos contíguos

1. O Problema

A monitorização rotineira da temperatura da superfície da água (TSW) é crucial para a proteção da saúde humana e dos ecossistemas aquáticos, especialmente para prever florações de algas nocivas de cianobactérias (cyanoHABs). A temperatura influencia diretamente o metabolismo, o crescimento e a competição das cianobactérias, além de afetar processos físicos como a estratificação térmica e o ciclo de nutrientes.
No entanto, existem lacunas significativas na disponibilidade de dados:

• Dados in situ: Embora precisos, são espacialmente e temporalmente limitados. Cerca de 95,7% das massas de água mapeadas nos EUA não possuem medições de temperatura in situ.
• Dados de Satélite: Oferecem cobertura ampla, mas sofrem com erros devido à cobertura de nuvens, sombras e correções atmosféricas. Modelos anteriores (como os aplicados na Flórida) precisavam preencher lacunas temporais usando climatologia mensal devido à falta de dados semanais contínuos causada por nuvens.
• Necessidade: É necessário um modelo robusto que preencha essas lacunas espaciais e temporais para fornecer previsões diárias de TSW para todos os lagos resolvidos pelo sensor OLCI do Sentinel-3 (2.192 lagos), apoiando a previsão nacional de cyanoHABs.

2. Metodologia

Os autores desenvolveram e compararam modelos de Floresta Aleatória (Random Forest) para prever a TSW diária. O estudo seguiu as seguintes etapas:

• Área de Estudo e Dados Alvo: 2.192 lagos e reservatórios nos EUA contíguos (CONUS) que são resolvidos pelo sensor OLCI do Sentinel-3 (pixel de 300 m).
• Fontes de Dados de Temperatura:
  1. Dados In Situ: Coletados do Sistema de Informação Nacional de Água (NWIS) e da Avaliação Nacional de Lagos (NLA) para os anos 2007, 2012 e 2016-2022. Amostras limitadas a 250 por lago para evitar viés e filtradas para a coluna de água superior (0-2m).
  2. Dados de Satélite (Landsat): Obtidos do repositório Analysis Ready Data (ARD) do USGS (Landsat 7, 8 e 9).
• Filtragem e Validação de Satélite:
  • Os dados do Landsat foram filtrados rigorosamente para remover pixels com nuvens e sombras.
  • Foram testadas três categorias de filtragem de nuvens na cena: sem filtro (apenas pixels do lago livres de nuvens), <25%, <10% e <1% de cobertura de nuvens/sombra na cena total.
  • A validação foi feita comparando pixels únicos do Landsat (30m) com amostras in situ no mesmo dia civil.
• Variáveis de Entrada do Modelo:
  • Coordenadas do centróide do lago (Norte e Leste).
  • Elevação, área da superfície e comprimento da linha de costa.
  • Dia do ano.
  • Temperatura do ar diária e média móvel de 30 dias (dados PRISM).
• Modelagem: Três modelos de Floresta Aleatória foram treinados e validados:
  1. Usando dados in situ (treinamento 80%, validação 20%).
  2. Usando dados Landsat com apenas o lago livre de nuvens (Landsat(LakeCloudFree)).
  3. Usando dados Landsat com a cena inteira livre de nuvens (<1% de nuvens) (Landsat(SceneCloudFree)).

3. Principais Contribuições

• Validação de Landsat sob Condições de Nuvens: O estudo validou sistematicamente a precisão da temperatura do Landsat em diferentes níveis de cobertura de nuvens na cena, demonstrando que mesmo nuvens distantes do lago aumentam o erro.
• Preenchimento de Lacunas Espacio-Temporais: Desenvolvimento de um conjunto de dados contínuo de temperatura diária para todo o ano de 2022 para 2.192 lagos, superando as limitações de cobertura de nuvens e revisitas esparsas.
• Comparação de Abordagens: Avaliação direta da eficácia de modelos treinados com dados de satélite versus dados in situ para previsão de temperatura de lagos em escala nacional.
• Ferramenta para Previsão de CyanoHABs: Criação de uma base de dados de temperatura essencial para alimentar modelos de previsão de florações de algas nocivas em escala nacional.

4. Resultados

• Validação do Satélite:
  • A precisão do Landsat melhorou significativamente com a redução da cobertura de nuvens na cena.
  • Com <1% de nuvens (Landsat(SceneCloudFree)), o Erro Absoluto Médio (MAE) foi de 0,94 °C e o viés foi de +0,39 °C.
  • Sem filtragem rigorosa de nuvens na cena, o erro aumentou para MAE de 2,99 °C e viés negativo de -1,3 °C.
• Desempenho dos Modelos:
  • Modelo In Situ: Apresentou o melhor desempenho geral, com MAE aplicado de 0,77 °C, viés de 0,01 °C e RMSE de 1,11 °C. Foi capaz de prever temperaturas de 1,1 a 31,6 °C com alta precisão.
  • Modelos Landsat:
    • O modelo Landsat(LakeCloudFree) subestimou consistentemente as temperaturas (viés de -1,97 °C).
    • O modelo Landsat(SceneCloudFree) superestimou as temperaturas, especialmente no inverno e em latitudes mais altas (viés de +0,81 °C), devido a um viés de amostragem de céu claro (mais comum no oeste e em elevações mais altas).
• Variáveis Importantes:
  • Para o modelo in situ, a temperatura do ar (diária e 30 dias) e o dia do ano foram os fatores mais importantes.
  • Para os modelos Landsat, variáveis espaciais (Easting, Northing, Elevação) tiveram maior peso, refletindo a dependência da cobertura de nuvens e da localização geográfica na disponibilidade de dados de satélite.
• Padrões Sazonais: Todos os modelos capturaram corretamente o ciclo sazonal (aquecimento na primavera/verão, resfriamento no outono/inverno), mas os modelos Landsat apresentaram desvios sazonais mais acentuados devido à falta de dados de inverno (cobertura de nuvens).

5. Significado e Conclusão

O estudo demonstra que, embora os dados de satélite (Landsat) ofereçam uma cobertura espacial e temporal incomparável, a qualidade dos dados é comprometida por nuvens, resultando em erros que podem degradar a performance de modelos preditivos treinados exclusivamente com esses dados.

• Conclusão Principal: O modelo treinado com dados in situ superou os modelos baseados em satélite, fornecendo previsões mais precisas e menos enviesadas ao longo de todo o ano.
• Aplicabilidade: A abordagem proposta permite a geração contínua de dados de temperatura para lagos onde medições in situ são inexistentes. Isso é fundamental para a gestão de recursos hídricos, proteção de ecossistemas e, principalmente, para a previsão de florações de cianobactérias (cyanoHABs), permitindo alertas precoces e ações de mitigação para proteger a saúde pública e a qualidade da água.
• Limitações Futuras: O estudo aponta a necessidade de melhorar a precisão das medições de satélite (correção de vapor d'água, nuvens finas) e a expansão de dados in situ para condições extremas (inverno, grandes lagos) para refinar ainda mais os modelos.