Análise de resolução espaço-espectral usando hiperespectral em drones e imagens multiespectrais de satélite para monitoramento de águas costeiras rasas

Por que este estudo costeiro é importante

Águas costeiras rasas abrigam pradarias de ervas marinhas, recifes e tapetes de algas que protegem a linha costeira, sustentam pescarias e armazenam carbono. Ainda assim, esses habitats são difíceis de mapear e monitorar frequentemente apenas com embarcações. Este estudo mostra como voar uma câmera hiperespectral em um drone e combinar suas imagens com visões ao estilo de satélite pode gerar mapas detalhados e repetíveis da profundidade e dos habitats do fundo marinho, ajudando comunidades a gerir costas frágeis diante de crescentes pressões humanas e climáticas.

Olhando para o mar desde cima

Os pesquisadores concentraram-se na praia de Las Canteras, uma costa urbana em Gran Canaria protegida por sua rica vida marinha, mas muito utilizada por moradores e turistas. Uma barra rochosa natural amansa as águas e torna o leito claramente visível desde cima, ideal para sensoriamento óptico remoto. Historicamente, a área abrigava extensas pradarias de ervas marinhas, que em grande parte desapareceram conforme obras costeiras alteraram o movimento das areias. Hoje, manchas de algas verdes, marrons e vermelhas, juntamente com areia e rocha, formam um mosaico no fundo que reflete tanto mudanças naturais quanto impactos humanos.

Testando diferentes “olhos” sobre a água

No cerne do trabalho está um experimento inteligente: em vez de comparar diretamente câmeras diferentes voadas ou em órbita em momentos distintos, a equipe partiu de uma imagem de drone muito detalhada capturada por um sensor hiperespectral (97 bandas estreitas de cor e resolução de 10 centímetros). A partir desse único referencial, eles matematicamente “rebaixaram” os dados para imitar um satélite comercial com 8 bandas mais largas e uma câmera RGB simples com apenas 3 bandas, cada uma em duas resoluções de pixel — fina (10 cm) e mais grossa (2 m). Isso produziu seis versões controladas da mesma cena, todas livres de diferenças em tempo, claridade da água ou marés. Em seguida, usaram essas imagens para estimar profundidade (batimetria) e classificar tipos de fundo (vegetação, areia e rocha) usando uma combinação de fórmulas consagradas e métodos modernos de aprendizado de máquina.

Lendo profundidade e habitats pelas cores

Para recuperar a profundidade, o estudo comparou uma abordagem matemática estabelecida que relaciona a luz em duas bandas de cor com a profundidade, com um modelo de aprendizado de máquina mais flexível que aprende padrões a partir de muitas bandas ao mesmo tempo. Para os habitats do fundo, treinaram dois tipos de classificadores: máquinas de vetores de suporte e redes neurais feedforward, ambos orientados por levantamentos em água e fotos do leito. Em todos os testes, os dados hiperespectrais do drone forneceram os resultados mais precisos, com erros de profundidade tão baixos quanto cerca de 15 centímetros e aproximadamente 94% de acerto na classificação de habitat. Imagens multiespectrais, semelhantes às de satélites comerciais comuns, tiveram desempenho quase tão bom, oferecendo um forte compromisso entre detalhe, cobertura e custo. A versão RGB mais simples fez um trabalho aceitável para profundidade, mas teve dificuldade em separar de forma confiável os diferentes tipos de fundo nesse habitat complexo, especialmente ao tentar distinguir entre espécies de algas semelhantes.

O que pesa mais: nitidez ou riqueza de cor?

Uma das questões centrais foi saber se pixels mais finos ou informação espectral mais rica faziam a maior diferença. Para profundidade, a resposta é surpreendente: mudar o tamanho do pixel de 10 cm para 2 m mal afetou a precisão. Como a profundidade é controlada principalmente por como a luz se atenua na água, um detalhe espacial muito alto acrescenta pouco quando as águas têm apenas alguns metros de profundidade e são relativamente calmas. Para o mapeamento de habitats, contudo, tanto a riqueza espacial quanto espectral importam mais. Pixels mais finos reduzem a mistura de areia, rocha e plantas dentro de cada pixel, facilitando a separação das classes. E quando o objetivo é distinguir tipos de algas semelhantes, ter mais bandas espectrais claramente ajuda. O modelo de rede neural aproveitou melhor essa informação extra, superando o classificador mais tradicional.

Monitorando uma preocupante perda de vegetação marinha

Além do teste de métodos, a equipe também comparou uma imagem real de satélite de 2016 com os dados de drone de 2023, ajustados para corresponder à resolução mais baixa do satélite. Detectaram uma perda estimada de cerca de 7.200 metros quadrados de vegetação marinha, grande parte provavelmente de campos da alga verde Cymopolia barbata. Somado ao desaparecimento já documentado das pradarias históricas de ervas marinhas, e a uma tendência local de aquecimento da temperatura da superfície do mar junto com intenso uso recreativo e problemas periódicos de qualidade da água, os resultados sugerem que este recife urbano está sob estresse significativo.

O que isso significa para as costas e comunidades

Para não especialistas, a mensagem é dupla. Primeiro, imagens modernas de drones e satélites, analisadas com aprendizado de máquina, podem agora entregar mapas precisos e repetíveis da profundidade em águas rasas e da vida do leito sem a necessidade de levantamentos constantes por barco. Isso torna prático acompanhar como os habitats costeiros mudam ao longo de anos ou até estações. Segundo, o caso de Las Canteras mostra por que tal monitoramento é urgente: valiosas “florestas” subaquáticas podem encolher silenciosamente sob o peso combinado do aquecimento dos mares e da pressão humana local. A abordagem apresentada aqui oferece um conjunto de ferramentas prático para cidades e agências de conservação manterem vigilância mais próxima sobre seus bairros subaquáticos e agir antes que habitats chave sejam perdidos.

Citação: Mederos-Barrera, A., Eugenio, F. & Marcello, J. Spatial-spectral resolution analysis using drone hyperspectral and satellite multispectral imagery for shallow coastal water monitoring. Sci Rep 16, 14511 (2026). https://doi.org/10.1038/s41598-026-38166-7

Palavras-chave: mapeamento costeiro, sensoriamento hiperespectral por drone, batimetria em águas rasas, monitoramento de habitats bentônicos, perda de vegetação marinha