Integração de dados de sensoriamento remoto para a estimativa de área basal, volume e biomassa em ecossistemas florestais

Detalhes bibliográficos
Autor(a) principal: Debastiani, Aline Bernarda, 1990-
Data de Publicação: 2020
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/68525
Resumo: Orientador: Prof. Dr. Carlos Roberto Sanquetta
id UFPR_f4979c93b256ca47935e3050e0989da0
oai_identifier_str oai:acervodigital.ufpr.br:1884/68525
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Debastiani, Aline Bernarda, 1990-Dalla Corte, Ana Paula, 1980-Universidade Federal do Paraná. Setor de Ciências Agrárias. Programa de Pós-Graduação em Engenharia FlorestalSanquetta, Carlos Roberto, 1964-2021-09-22T17:04:18Z2021-09-22T17:04:18Z2020https://hdl.handle.net/1884/68525Orientador: Prof. Dr. Carlos Roberto SanquettaCoorientadoras: Prof (a). Dr (a). Ana Paula Dalla Corte, Dra. Naiara PintoTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Agrárias, Programa de Pós-Graduação em Engenharia Florestal. Defesa : Curitiba, 03/04/2020Inclui referências: p.114-125Área de concentração: Manejo FlorestalResumo: Para o adequado manejo das florestas, faz-se necessária a quantificação de métricas que a descrevam, tais como a área basal, volume e biomassa. Tendo essa necessidade, o objetivo do presente estudo é analisar o potencial em estimar de forma indireta variáveis dendrométricas a partir de dados obtidos por sensoriamento remoto (Radar Polarimétrico de Abertura Sintética (PolSar) e multiespectral), bem como, o potencial de cada variável e sua integração. Este trabalho foi constituído de dois estudos de caso. No primeiro estudo de caso, tendo os dados de 192 parcelas ajustou-se modelos de regressão linear e aprendizado de máquina para estimar a área basal, volume e biomassa aérea de plantações de eucalipto com diferentes idades. Como variáveis independentes utilizou-se da idade do povoamento, dados PolSar em banda C (satélite SENTINEL-1) e L (ALOS/PALSAR-2), assim como as derivações que originaram a textura e índices polarimétricos, imagens multiespectrais (SENTINEL-2) e índices de vegetação. O segundo estudo de caso consistiu em estimar a biomassa florestal de parte da floresta amazônica. Como variável dependente da modelagem utilizou-se do valor de biomassa aérea de 286 parcelas, cuja biomassa foi calculada a partir de métricas obtidas por LiDAR. Como variáveis de entrada utilizou-se da integração de dados de livre acesso, sendo eles PolSar de banda C oriundo do satélite SENTINEL-1, banda L oriunda do mosaico global do satélite ALOS/PALSAR-2, textura e índices polarimétricos obtidos das bandas C e L, imagens multiespectrais (SENTINEL-2) e índices de vegetação derivados. A modelagem com aprendizado de máquina para as duas áreas de estudo foi realizada com cinco modelos, sendo: Model Tree, Random Forest, Weighted K-Nearest Neighbor, Artificial Neural Network e Support Vector Regression. Em ambos os estudos de caso, buscou-se avaliar a influência da composição de diferentes conjuntos de dados de entrada (tratamentos) para a modelagem. Para os povoamentos de eucalipto verificou-se que a integração das bandas C e L constituíram modelos mais precisos do que a sua utilização separadamente e essa combinação PolSar foi superior ao modelar a área basal. Os erros foram maiores ao estimar o volume e biomassa aérea, mesmo assim foi necessário o uso de todas as informações PolSar e imagens multiespectrais para a sua modelagem. Utilizou-se de todo o conjunto de dados para estimar as variáveis dendrométricas por aprendizado de máquina e verificou-se que o modelo de melhor desempenho foi o Random Forest (R² > 0,79 e SYX < 25%), com desempenho superior ao da regressão linear em aproximadamente 8% de erro padrão para a estimativa da área basal, 13% para o volume total e 15% para a biomassa aérea. O erro padrão das estimativas pelo Random Forest foi menor e aproximadamente 10% para a estimativa das variáveis dendrométricas. Na estimativa da biomassa da floresta amazônica, a utilização de dados PolSar resultou em RMSE de 20%, com a integração da textura proporcionando leve melhoria no desempenho. A integração dos dados multiespectrais e índices de vegetação aos dados PolSar proporcionou perceptível melhora aos modelos de aprendizado de máquina (RMSE de 16%). O algoritmo Model Tree foi o mais adequado para as estimativas pois foi capaz de se aproximar dos valores extremos da base de dados. As estimativas das variáveis dendrométricas para as florestas em estudo com a utilização de PolSar foram satisfatórias e precisas, e a integração de dados de diferentes fontes proporcionou melhora no desempenho dos modelos. Palavras-chave: Sensoriamento remoto. Aprendizado de máquina. Eucalipto. Amazônia. Variáveis dendrométricas.Abstract: For the proper management of forests, it is necessary to quantify metrics that describe it, such as the basal area, volume and biomass. With this need, the aim of the present study is to analyze the potential to indirectly estimate dendrometric variables from data obtained by remote sensing (Polarimetric Synthetic Aperture Radar (PolSar) and multispectral), as well as the potential of each variable and their integration. This work consisted of two case studies. In the first case study, using data from 192 plots, linear regression models and machine learning were adjusted to estimate the basal area, volume and aboveground biomass of eucalyptus plantations with different ages. As independent variables, population age was used, PolSar data in band C (satellite SENTINEL-1) and L (ALOS/PALSAR-2), as well as the derivations that originated the texture and polarimetric indices, multispectral images (SENTINEL-2) and derived vegetation indices. The second case study consisted of estimating the forest biomass of part of the Amazon rainforest. As a model-dependent variable, the aerial biomass value of 286 plots was used, whose biomass was calculated from metrics obtained with LiDAR. As input variables we used the integration of free access data, being PolSar of band C from the satellite SENTINEL-1, band L from the global mosaic of the satellite ALOS/PALSAR-2, texture and polarimetric indices obtained from bands C and L, multispectral images (SENTINEL-2) and derived vegetation indices. Modeling with machine learning for the two study areas was carried out using five models: Model Tree, Random Forest, Weighted K-Nearest Neighbor, Artificial Neural Network and Support Vector Regression. In both case studies, we sought to evaluate the influence of the composition of different sets of input data (treatments) for modeling. For the eucalyptus stands, it was found that the integration of the C and L bands constituted more accurate models than their use separately, and this PolSar combination was superior when modeling the basal area. The errors were greater when estimating the volume and aerial biomass, even so it was necessary to use all PolSar information and multispectral images for its modeling. The entire data set was used to estimate the dendrometric variables by machine learning and it was found that the best performing model was the Random Forest (R²> 0.79 and SYX <25%), with a higher performance than the linear regression at approximately 8% of standard error for baseline area estimation, 13% for total volume and 15% for aerial biomass. The standard error of the estimates by the Random Forest was smaller and approximately 10% for the estimation of the dendrometric variables. In estimating the biomass of the Amazon rainforest, the use of PolSar data resulted in an RMSE of 20%, with the integration of the texture providing a slight improvement in performance. The integration of multispectral data and vegetation indexes with PolSar data provided a noticeable improvement to machine learning models (RMSE of 16%). The Model Tree algorithm was the most suitable for the estimates because it was able to approximate the extreme values of the database. The estimates of the dendrometric variables for the forests under study with the use of PolSar were satisfactory and accurate, and the integration of data from different sources provided an improvement in the performance of the models. Keywords: Remote sensing. Forest management. Eucalipto. Amazon. Dendrometric variables.125 p. : il.application/pdfSensoriamento remotoDendrometriaBiomassa florestalEucaliptoSatelites artificiais em sensoriamento remotoRecursos Florestais e Engenharia FlorestalAprendizado do computadorIntegração de dados de sensoriamento remoto para a estimativa de área basal, volume e biomassa em ecossistemas florestaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - T - ALINE BERNARDA DEBASTIANI.pdfapplication/pdf4826269https://acervodigital.ufpr.br/bitstream/1884/68525/1/R%20-%20T%20-%20ALINE%20BERNARDA%20DEBASTIANI.pdfb0e53da9ca15d302f84304f8c452fa88MD51open access1884/685252021-09-22 14:04:18.227open accessoai:acervodigital.ufpr.br:1884/68525Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082021-09-22T17:04:18Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Integração de dados de sensoriamento remoto para a estimativa de área basal, volume e biomassa em ecossistemas florestais
title Integração de dados de sensoriamento remoto para a estimativa de área basal, volume e biomassa em ecossistemas florestais
spellingShingle Integração de dados de sensoriamento remoto para a estimativa de área basal, volume e biomassa em ecossistemas florestais
Debastiani, Aline Bernarda, 1990-
Sensoriamento remoto
Dendrometria
Biomassa florestal
Eucalipto
Satelites artificiais em sensoriamento remoto
Recursos Florestais e Engenharia Florestal
Aprendizado do computador
title_short Integração de dados de sensoriamento remoto para a estimativa de área basal, volume e biomassa em ecossistemas florestais
title_full Integração de dados de sensoriamento remoto para a estimativa de área basal, volume e biomassa em ecossistemas florestais
title_fullStr Integração de dados de sensoriamento remoto para a estimativa de área basal, volume e biomassa em ecossistemas florestais
title_full_unstemmed Integração de dados de sensoriamento remoto para a estimativa de área basal, volume e biomassa em ecossistemas florestais
title_sort Integração de dados de sensoriamento remoto para a estimativa de área basal, volume e biomassa em ecossistemas florestais
author Debastiani, Aline Bernarda, 1990-
author_facet Debastiani, Aline Bernarda, 1990-
author_role author
dc.contributor.other.pt_BR.fl_str_mv Dalla Corte, Ana Paula, 1980-
Universidade Federal do Paraná. Setor de Ciências Agrárias. Programa de Pós-Graduação em Engenharia Florestal
dc.contributor.author.fl_str_mv Debastiani, Aline Bernarda, 1990-
dc.contributor.advisor1.fl_str_mv Sanquetta, Carlos Roberto, 1964-
contributor_str_mv Sanquetta, Carlos Roberto, 1964-
dc.subject.por.fl_str_mv Sensoriamento remoto
Dendrometria
Biomassa florestal
Eucalipto
Satelites artificiais em sensoriamento remoto
Recursos Florestais e Engenharia Florestal
Aprendizado do computador
topic Sensoriamento remoto
Dendrometria
Biomassa florestal
Eucalipto
Satelites artificiais em sensoriamento remoto
Recursos Florestais e Engenharia Florestal
Aprendizado do computador
description Orientador: Prof. Dr. Carlos Roberto Sanquetta
publishDate 2020
dc.date.issued.fl_str_mv 2020
dc.date.accessioned.fl_str_mv 2021-09-22T17:04:18Z
dc.date.available.fl_str_mv 2021-09-22T17:04:18Z
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/1884/68525
url https://hdl.handle.net/1884/68525
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 125 p. : il.
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/1884/68525/1/R%20-%20T%20-%20ALINE%20BERNARDA%20DEBASTIANI.pdf
bitstream.checksum.fl_str_mv b0e53da9ca15d302f84304f8c452fa88
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_ 1813898754443444224

Registros relacionados