Modelagem espaço-temporal da biomassa em área de restauração florestal a partir de sensores orbitais e aéreos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPR |
Texto Completo: | https://hdl.handle.net/1884/76830 |
Resumo: | Orientadora: Profa. Dra. Ana Paula Dalla Corte |
id |
UFPR_c2fc99fc4d581ebf1f109fcc44483f8f |
---|---|
oai_identifier_str |
oai:acervodigital.ufpr.br:1884/76830 |
network_acronym_str |
UFPR |
network_name_str |
Repositório Institucional da UFPR |
repository_id_str |
308 |
spelling |
Moura, Marks Melo, 1987-Sanquetta, Carlos Roberto, 1964-Bastos, Alexis de Sousa, 1973-Universidade Federal do Paraná. Setor de Ciências Agrárias. Programa de Pós-Graduação em Engenharia FlorestalDalla Corte, Ana Paula, 1980-2022-09-27T15:48:23Z2022-09-27T15:48:23Z2021https://hdl.handle.net/1884/76830Orientadora: Profa. Dra. Ana Paula Dalla CorteCoorientador: Prof. Dr. Carlos Roberto Sanquetta e Dr. Alexis de Sousa BastosTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Agrárias, Programa de Pós-Graduação em Engenharia Florestal. Defesa : Curitiba, 18/02/2022Inclui referênciasÁrea de concentração: Manejo FlorestalResumo:Plantios de restauração são caracterizadas por áreas que foram anteriormente desmatadas e passaram por processos antrópicos de plantio visando sua restauração. Em geral essas florestas são caracterizadas principalmente por espécies de rápido crescimento e são uma alternativa para redução das emissões líquidas de carbono, e desta forma atenuar as mudanças climáticas. Entretanto, esses ambientes florestais ainda são pouco estudados, neste âmbito, este trabalho visou ajustar modelos preditivos de biomassa em relação à altura e diâmetro das árvores obtidos por meio do inventário florestal quantitativo e utilizando sensores orbitais Sentinel-2A e Landsat-8 analisando temporalmente e quantitativamente os estoques de biomassa em áreas de plantios de restauração, assim como avaliar a sua distribuição espacial e identificar espécies existentes nas parcelas inventariadas utilizando rede neural convolucional no período de 2016 a 2020. Este estudo foi realizado em uma região da Floresta Amazônica localizada no estado de Rondônia, Brasil, para o inventário florestal foi necessária a medição de todas as árvores com circunferência à altura do peito acima de 15 cm em parcelas com 200 m², após as medições foi selecionada uma árvore da parcela que representasse a árvore média em relação ao diâmetro à 1,30m de altura, sendo a mesma derrubada visando o cálculo de sua biomassa acima do solo (AGB). As equações ajustadas apresentaram R²aj. variando de 0,49 a 0,57, raiz quadrada do erro médio (RMSE) de 247 a 296 kg e Erro padrão da estimativa (Syx) de 49 a 53 kg. Em 2016 as parcelas continham em média 41,47 t.ha-1 de AGB e 2020 contabilizou-se 81,66 t.ha-1. Neste sentido, observamos um incremento total em AGB de 96,92% entre 2016 e 2020. O modelo ajustado que possuía a melhor performance estatística foi escolhido para especializar a AGB nos plantios de restauração utilizando a plataforma online Google Earth Engine (GEE). De forma geral, a AGB e os índices de vegetação apresentaram valores de correlação baixos, e os modelos ajustados apresentaram R²aj. variando de 0,489 a 0,772. A espacialização da AGB demonstrou que em 2016 a área de estudo possuía 237.483.130 t de AGB, enquanto em 2020 o estoque foi 375.761.230 t, ou seja, um acréscimo de 138.278.100 t (+63,2% em relação ao ano do início dos plantios). Com finalidade de identificação de seis espécies florestais as redes neurais convolucionais (CNNs) foram treinadas utilizando o pacote Keras-Tensorflow com o modelo faster_rcnn_inception_v2_pets. Os resultados demostraram que a redução do threshold diminui a exatidão na identificação, assim como a sobreposição dos polígonos de identificação das espécies, no entanto, em comparação com os dados coletados em campo, observa-se que há uma alta correlação entre as árvores identificadas pela CNN e às observadas nas parcelas. As métricas estatísticas utilizadas para validar as classificações evidenciaram que a CNN é capaz de identificar as espécies com acurácia acima de 90%. A partir dos resultados obtidos foi possível estimar e avaliar a dinâmica temporal da biomassa com utilização de sensores orbitais, a distribuição espacial em escala regional e utilização de imagens UAV como subsídio para aquisição de dados de árvores individuais em plantios de restauraçãoAbstract: Restoration plantings are characterized by areas that were previously deforested and have undergone anthropic planting processes aimed at their restoration. In general, these forests are characterized mainly by fast-growing species and are an alternative for reducing net carbon emissions, and thus mitigate climate change. However, these forest environments are still poorly studied, in this context, this work aimed to adjust predictive models of biomass in relation to height and diameter of trees obtained through quantitative forest inventory and using Sentinel-2A and Landsat-8 orbital sensors analyzing temporally and quantitatively the biomass stocks in areas of restoration plantations, as well as to evaluate their spatial distribution and identify existing species in the inventoried plots using convolutional neural network in the period from 2016 to 2020. This study was conducted in a region of the Amazon rainforest located in the state of Rondônia, Brazil, for the forest inventory was necessary the measurement of all trees with circumference at breast height above 15 cm in plots with 200 m², after the measurements was selected a tree of the plot that represented the average tree in relation to the diameter at 1.30 m height, and it was cut down aiming to calculate its above ground biomass (AGB). The adjusted equations showed R²aj. ranging from 0.49 to 0.57, square root of the mean error (RMSE) from 247 to 296 kg and Standard Error of the estimate (Syx) from 49 to 53 kg. In 2016 the plots contained an average of 41.47 t.ha-1 of AGB and 2020 accounted for 81.66 t.ha- 1. In this sense, we observed a total increment in AGB of 96.92% between 2016 and 2020. The fitted model that had the best statistical performance was chosen to specialize AGB in restoration plantings using the Google Earth Engine (GEE) online platform. Overall, AGB and vegetation indices showed low correlation values, and the fitted models showed R²aj. ranging from 0.489 to 0.772. The spatialization of AGB showed that in 2016 the study area had 237.483.130 t of AGB, while in 2020 the stock was 375.761.230 t, that is, an increase of 138,278,100 t (+63.2% compared to the year of the beginning of plantations). In order to identify six forest species, convolutional neural networks (CNNs) were trained using the Keras-Tensorflow package with the faster_rcnn_inception_v2_pets model. The results showed that threshold reduction decreases identification accuracy, as does the overlapping of species identification polygons. However, in comparison with field data, there is a high correlation between trees identified by the CNN and those observed in the plots. The statistical metrics used to validate the classifications showed that the CNN is able to identify species with accuracy above 90%. From the results obtained it was possible to estimate and evaluate the temporal dynamics of biomass using orbital sensors, the spatial distribution on a regional scale and the use of UAV images as a subsidy for the acquisition of data from individual trees in restoration plantations.1 recurso online : PDF.application/pdfMapeamento florestal - RondôniaBiomassa florestal - MediçãoFotografia aerea em florestasEquaçõesSensoriamento remotoRecursos Florestais e Engenharia FlorestalRecuperação ecológicaModelagem espaço-temporal da biomassa em área de restauração florestal a partir de sensores orbitais e aéreosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - T - MARKS MELO MOURA.pdfapplication/pdf8344632https://acervodigital.ufpr.br/bitstream/1884/76830/1/R%20-%20T%20-%20MARKS%20MELO%20MOURA.pdff480c14e2c364a8525e41ae0a1e495bbMD51open access1884/768302022-09-27 12:48:23.104open accessoai:acervodigital.ufpr.br:1884/76830Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082022-09-27T15:48:23Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false |
dc.title.pt_BR.fl_str_mv |
Modelagem espaço-temporal da biomassa em área de restauração florestal a partir de sensores orbitais e aéreos |
title |
Modelagem espaço-temporal da biomassa em área de restauração florestal a partir de sensores orbitais e aéreos |
spellingShingle |
Modelagem espaço-temporal da biomassa em área de restauração florestal a partir de sensores orbitais e aéreos Moura, Marks Melo, 1987- Mapeamento florestal - Rondônia Biomassa florestal - Medição Fotografia aerea em florestas Equações Sensoriamento remoto Recursos Florestais e Engenharia Florestal Recuperação ecológica |
title_short |
Modelagem espaço-temporal da biomassa em área de restauração florestal a partir de sensores orbitais e aéreos |
title_full |
Modelagem espaço-temporal da biomassa em área de restauração florestal a partir de sensores orbitais e aéreos |
title_fullStr |
Modelagem espaço-temporal da biomassa em área de restauração florestal a partir de sensores orbitais e aéreos |
title_full_unstemmed |
Modelagem espaço-temporal da biomassa em área de restauração florestal a partir de sensores orbitais e aéreos |
title_sort |
Modelagem espaço-temporal da biomassa em área de restauração florestal a partir de sensores orbitais e aéreos |
author |
Moura, Marks Melo, 1987- |
author_facet |
Moura, Marks Melo, 1987- |
author_role |
author |
dc.contributor.other.pt_BR.fl_str_mv |
Sanquetta, Carlos Roberto, 1964- Bastos, Alexis de Sousa, 1973- Universidade Federal do Paraná. Setor de Ciências Agrárias. Programa de Pós-Graduação em Engenharia Florestal |
dc.contributor.author.fl_str_mv |
Moura, Marks Melo, 1987- |
dc.contributor.advisor1.fl_str_mv |
Dalla Corte, Ana Paula, 1980- |
contributor_str_mv |
Dalla Corte, Ana Paula, 1980- |
dc.subject.por.fl_str_mv |
Mapeamento florestal - Rondônia Biomassa florestal - Medição Fotografia aerea em florestas Equações Sensoriamento remoto Recursos Florestais e Engenharia Florestal Recuperação ecológica |
topic |
Mapeamento florestal - Rondônia Biomassa florestal - Medição Fotografia aerea em florestas Equações Sensoriamento remoto Recursos Florestais e Engenharia Florestal Recuperação ecológica |
description |
Orientadora: Profa. Dra. Ana Paula Dalla Corte |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021 |
dc.date.accessioned.fl_str_mv |
2022-09-27T15:48:23Z |
dc.date.available.fl_str_mv |
2022-09-27T15:48:23Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/1884/76830 |
url |
https://hdl.handle.net/1884/76830 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
1 recurso online : PDF. application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPR instname:Universidade Federal do Paraná (UFPR) instacron:UFPR |
instname_str |
Universidade Federal do Paraná (UFPR) |
instacron_str |
UFPR |
institution |
UFPR |
reponame_str |
Repositório Institucional da UFPR |
collection |
Repositório Institucional da UFPR |
bitstream.url.fl_str_mv |
https://acervodigital.ufpr.br/bitstream/1884/76830/1/R%20-%20T%20-%20MARKS%20MELO%20MOURA.pdf |
bitstream.checksum.fl_str_mv |
f480c14e2c364a8525e41ae0a1e495bb |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1801860703429066752 |