Predição do estoque e dinâmica da biomassa acima do solo na floresta Amazônica utilizando inteligência artificial e dados de sensores remotos
View/ Open
Date
2020-12-16Primeiro membro da banca
Benedetti, Ana Caroline Paim
Segundo membro da banca
Silva, Emanuel Araújo
Terceiro membro da banca
Rovani , Franciele Francisca Marmentini
Quarto membro da banca
Marangon, Gabriel Paes
Metadata
Show full item recordAbstract
A floresta Amazônica é caracterizada pela biomassa expressiva e, dessa forma, armazena alta quantidade de carbono, sendo essa uma variável importante para o monitoramento climático. Com isso, é crucial o desenvolvimento de um método eficiente para estimar a biomassa com precisão, principalmente nas florestas tropicais, onde a vegetação densa dificulta a modelagem. Dessa forma, o objetivo do presente estudo foi estimar a biomassa acima do solo, em nível de parcela e de paisagem, em áreas de floresta Amazônica com extração seletiva de madeira, utilizando algoritmos de aprendizado de máquina e dados dos sensores LiDAR e OLI/Landsat 8, e mapear a biomassa para os anos de 2014 e 2017 permitindo analisar a sua dinâmica durante o período de análise. Para tal, foram utilizadas 79 parcelas de 50x50 m dispostas na Fazenda Cauaxi, no município de Paragominas, Pará. A predição da biomassa foi realizada por meio dos algoritmos de aprendizado de máquina Random Forest (RF), Support Vector Machine (SVM) e Artificial Neural Network (ANN) utilizando dados do sensor LiDAR e estes combinados com variáveis (espectrais e de textura) OLI/Landsat 8. Para verificar o algoritmo de melhor desempenho utilizou-se o RMSE (Root Mean Square Error), para tal, foram realizadas 30 repetições com a separação dos dados em 80% para treinamento e 20% para validação. Os algoritmos RF e SVM obtiveram os menores valores de RMSE médio em todos os conjuntos de dados, com destaque para os modelos utilizando LiDAR e a combinação deste com as variáveis espectrais. A associação dessas variáveis permitiu aumentar o desempenho do RF diminuindo o RMSE de 48,01 Mg/ha para 45,24 Mg/ha. Contudo, o SVM utilizando apenas LiDAR apresentou o menor RMSE médio (44,99 Mg/ha). Dessa forma, esse foi selecionado para mapear a biomassa de 2014 e 2017 para análise da dinâmica temporal. As unidades de exploração mais antigas (2006, 2007 e 2008) apresentaram menores estoques de biomassa, nos anos de análise, contudo, as maiores perdas de biomassa em 2017 foram obtidas nas unidades de exploração mais recentes (2012 e 2013). Desse modo, com o método empregado no presente estudo, foi possível inferir que os algoritmos de aprendizado de máquina se mostraram eficientes para estimar a biomassa, com destaque para o RF e SVM. Além disso, o uso combinado de dados LiDAR e OLI/Landsat 8 melhorou a estimativa de biomassa para o RF. Assim, o estudo poderá servir de base para melhorias nas predições de biomassa em áreas de floresta Amazônica com extração seletiva de madeira, onde as amplitudes da biomassa e a densa vegetação dificultam a modelagem de atributos.
Collections
The following license files are associated with this item: