Individualização de copas de árvores através de detecção remota

• Autor(a) principal: Soares, Sara João Correia Lobo
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10451/38029
• topic: Cartografia de Copas de Árvores; Machine learning; Segmentação de imagens; Montado; Geografia

As florestas desempenham um papel de extrema importância na sociedade e, consequentemente, o conhecimento sobre ela é essencial para a sua gestão e usufruto sustentável. A recolha de informação florestal é um processo complexo, tradicionalmente alcançado através de inventários florestais. A Deteção Remota tem sofrido um desenvolvimento crescente que tem vindo a possibilitar soluções inovadoras e eficazes em diversos campos do conhecimento, nomeadamente no que diz respeito à gestão florestal. A Individualização de Copas de Árvores (ICA) a partir de fotografia aérea é uma operação que poderá facilitar a recolha de informação florestal, permitindo a obtenção indireta de parâmetros físicos das árvores, medidas estas de extrema importância para a gestão florestal. Assim, o presente relatório de estágio tem como principal objetivo explorar diversos algoritmos que permitem a ICA de forma mais automatizada, num sistema florestal característico de Portugal: o Montado. Trata-se de um sistema florestal único no contexto nacional, no qual a monotorização e correta gestão florestal pode ser melhorada e desenvolvida a partir de novas metodologias. Neste seguimento foi utilizada como base de trabalho uma fotografia aérea de alta resolução correspondente a uma zona de montado e uma metodologia de trabalho dividida em três fases distintas: a construção de objetos representados na imagem, uma classificação por limares para seleção dos objetos correspondentes a copas de árvores e a validação da cartografia de Copas de Árvores obtida. Foram aplicados cinco algoritmos que permitiram a construção dos objetos representados na imagem, assentes em bases técnicas distintas. Desde os mais usualmente utilizados nesta tarefa, baseados na segmentação de imagens - Watershed, Crescimento de Regiões e Multiresolução – até a técnicas mais avançadas, como os algoritmos de aprendizagem automática (machine learning) - Random Forests e Máxima Entropia. Na fase seguinte foram selecionados os objetos que correspondiam a copas de árvores através de um processo de classificação por limiares, fazendo uso de um conjunto de variáveis espectrais e morfológicas de interesse.Foram produzidos mapas de Copas de Árvores para cada algoritmo, verificando-se para os algoritmos de segmentação uma exatidão global entre 0,67 - 0,73 e coeficiente de concordância Kappa abaixo de 0,46 e para os algoritmos de machine learning uma exatidão global entre 0,79 - 0,81 e coeficiente de concordância Kappa acima de 0,55. Estes últimos demonstraram-se assim promissores na tarefa de ICA, em detrimento dos já convencionalmente aplicados.