Floresta de precisão na identificação de espécies florestais exóticas invasoras
Visualizar/ Abrir
Data
2022-02-22Primeiro coorientador
Pereira, Rudiney Soares
Primeiro membro da banca
Amaral, Lúcio de Paula
Segundo membro da banca
Santos, Alexandre Rosa dos
Metadata
Mostrar registro completoResumo
As espécies florestais exóticas invasoras (EFEI’s) têm potencial de transformar a estrutura e formação dos ecossistemas, devido a sua capacidade de excluir espécies nativas e destruir características que a biodiversidade local proporciona. Diante da preocupação que as EFEI’s trazem, sua identificação e acompanhamento são necessários, no entanto, tais tarefas em áreas protegidas são complexas, devido a grande dimensão territorial, dificuldade de acesso e custos elevados para inventariar essas espécies em campo. Dessa forma, o sensoriamento remoto por meio de plataformas aéreas, tais como o RPAS (Sistemas de Aeronaves Remotamente Pilotadas), destacam-se como uma abordagem importante para identificar e monitorar as EFEI’s, uma vez que permitem mapeamento rápido e frequente em conjunto com as técnicas de aprendizado de máquina (AM) para incorporação de conhecimentos especializados no processamento. Portanto, a presente pesquisa teve por objetivo avaliar a combinação do uso de imagens obtidas por RPAS e algoritmos de aprendizado de máquina para identificar espécies florestais exóticas invasoras no Parque Estadual Quarta Colônia, Rio Grande do Sul, Brasil. Os dados de campo foram obtidos em duas áreas amostrais distintas, onde foi realizado o censo das EFEI’s Hovenia dulcis e Psidium guajava, sendo mensuradas as variáveis CAP ≥ 5 cm, altura, e coletadas as coordenadas geográficas com GPS. Para obtenção dos dados remotos foi utilizado um RPAS acoplado a uma câmera multiespectral Parrot Sequoia. Posteriormente, realizou-se o processamento das imagens no aplicativo Pix4D® para geração dos mapas de reflectância, e o Sistema de Informação geográfica (SIG) ArcMap® 10.8 para geração de índices de vegetação e também a distribuição espacial das espécies inventariadas, a qual foi feita a partir da fotointerpretação manual. Em sequência, para o processo de treinamento dos modelos, no SIG ArcGis Pro® 2.8, foram definididas quatro classes de interesse, sendo para área amostral I (H. dulcis) e área amostral II (P. guajava) e as classes espécie similar, sombra e demais espécies aplicadas a ambas as áreas. O processo de classificação superviosionada envolveu duas abordagens (pixel a pixel e análise baseada em objeto – OBIA) e dois algoritmos de AM em comparação (Random Forest – RF e Support Vector Machine – SVM). As amostras foram separadas em 90% para treinamento/teste e 10% para validação dos modelos. Para análise de desempenho, foram calculadas as métricas de acurácia global e índice de Kappa. Os resultados demonstram que o algoritmo RF na abordagem pixel a pixel teve o melhor desempenho em classificar a EFEI H. dulcis, obtendo um kappa de 0,87 e acurácia global de 91,5%. Para a EFEI P. guajava, com a composição de imagens RGB, o melhor resultado foi obtido no método OBIA e o algoritmo RF (Kappa de 0,89 e acurácia global 92,5%). A composição multiespectral RGCV mostrou-se excelente em diferenciar padrão da EFEI P. guajava em abordagem OBIA com o algoritmo RF (Kappa 0,90 e acurácia global 93%). Diante dos resultados obtidos, o presente estudo possui uma nova e importante metodologia para identificação das EFEI’s Hovenia dulcis e Psidium guajava em áreas de Floresta Estacional Decidual, uma vez que pode ser usado em estratégias de manejo adequadas ao controle e erradicação dessas espécies.
Coleções
Os arquivos de licença a seguir estão associados a este item: