Identificação de áreas de clareira na floresta amazônica por meio de dados lidar, imagens de média resolução espacial e inteligência artificial
View/ Open
Date
2020-02-20Primeiro membro da banca
Silva, Emanuel Araújo
Segundo membro da banca
Kurtz, Silvia Margareti de Juli Morais
Metadata
Show full item recordAbstract
As florestas tropicais estão naturalmente submetidas a distúrbios, além de ocorrerem naturalmente podem ser decorrentes do aquecimento global, incêndios florestais e desmatamento. Dessa forma, é importante a realização desse estudo, uma vez que as práticas de extração seletiva nas florestas tropicais propiciam a abertura de clareiras no dossel florestal, as quais necessitam de estudos a fim de avaliar a dinâmica e regeneração desses espaços. Este estudo objetivou identificar a presença de clareiras por meio de imagens de média resolução espacial e sensor LiDAR, utilizando inteligência artificial em áreas de exploração seletiva da floresta no bioma Amazônia. A área de estudo localiza-se na Fazenda Cauaxi, município de Paragominas-PA, na qual é desempenhada a atividade de manejo florestal. Para a identificação das clareiras, utilizou-se imagem orbital do satélite Sentinel-2A, adquirida pelo sensor Multi-Spectral Instrument (MSI), no ano de 2017. Para a classificação de clareiras por meio da imagem de satélite foram utilizados os algoritmos Random Forest (RF), Support Vectors Machine (SVM) e Artificial Neural Network (ANN), a classificação supervisionada de imagem orbitais foi desenvolvida em Linguagem R. Além das imagens Sentinel-2A, o estudo englobou ainda a utilização de dados LiDAR para a detecção e análise da dinâmica das clareiras para os anos de 2014 e 2017, a fim permitir a comparação dos resultados obtidos por ambos os métodos. Para a detecção de clareiras com dados LiDAR, utilizou-se a versão 0.0.2 do pacote ForestGapR. Os resultados indicaram que para a classificação com imagem Sentinel-2A, todos os algoritmos apresentaram valores superiores a 0,90 de acurácia global e valores superiores a 0,88 de Kappa, ao verificar os algoritmos de aprendizado de máquina e seus respectivos ajustes, o RF foi o que apresentou os maiores valores, demonstrando uma acurácia no processo de classificação de 0,9938, apresentando como o melhor classificador para a identificação de clareiras em áreas de exploração seletiva na Amazônia. Já para a dinâmica das clareiras no dossel da floresta, utilizando dados LiDAR, para os anos de 2014 e 2017, aumentou 10.098,00 m² o número de clareiras em 3 anos e um aumento de 127.521,00 m² de área total. Em relação a comparação dos métodos, para imagem Sentinel-2A foi identificado 229.402,97 m² de clareiras, enquanto que com dados LiDAR foi detectado 301.090,00 m² de clareiras, uma diferença de 71.687,03 m² de clareiras entre os métodos. Ao relacionar os percentuais de clareiras identificadas com o uso de imagens MSI/Sentinel-2A aos detectados com dados LiDAR em condições similares, observou-se o potencial das imagens de média resolução, quando associadas a técnicas de inteligência artificial, na identificação de distúrbios na floresta. Assim, o uso de produtos Sentinel associados as técnicas de processamento complexas permitem a obtenção de parâmetros da cobertura florestal, inclusive para a região Amazônica. E por fim, esse estudo demostra a importância da identificação e análise de clareiras, através das aplicações de sensoriamento remoto, para o monitoramento do desmatamento e retirada ilegal de madeira na floresta, possibilitando um manejo sustentável na Amazônia Brasileira.
Collections
The following license files are associated with this item: