Modelagem espaço-temporal da biomassa em área de restauração florestal a partir de sensores orbitais e aéreos

Detalhes bibliográficos
Autor(a) principal: Moura, Marks Melo, 1987-
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

Registros relacionados