Proposta de Ajuste de Altura Interferométrica para Modelo de Estimativa de Biomassa

Detalhes bibliográficos
Autor(a) principal: Castro-Filho, Carlos Alberto Pires de
Data de Publicação: 2020
Outros Autores: Bias, Edilson de Souza
Tipo de documento: Artigo
Idioma: por
Título da fonte: Anuário do Instituto de Geociências (Online)
Texto Completo: https://revistas.ufrj.br/index.php/aigeo/article/view/38570
Resumo: A tecnologia de Radar de Abertura Sintética Interferométrica (InSAR), quando utilizada em diferentes comprimentos de onda, é capaz de gerar a altura interferométrica (Hint), calculada pela diferença aritmética entre o modelo digital de superfície (MDS) e o modelo digital do terreno (MDT). A Hint representa a altura da vegetação, visto que é o comprimento entre o terreno e o dossel da vegetação e, teoricamente, para áreas de solo exposto deve ter o valor estatisticamente igual a zero. O presente artigo tem por objetivo analisar a possibilidade de utilização de áreas identificadas como de solo exposto para ajustar dados InSAR, e consequentemente a Hint, visando a melhoria no modelo de estimativa de biomassa. A metodologia adotada inclui o uso de técnicas paramétricas e não paramétricas de busca de solução para definição dos parâmetros de ajuste da Hint sobre modelos matemáticos polinomiais e logarítmicos. Os melhores resultados foram obtidos com o modelo matemático logarítmico cujos parâmetros foram ajustados com a técnica do Gradiente Reduzido Generalizado. Entretanto, a análise dos resultados mostrou que não houve melhora significativa do coeficiente de correlação entre a biomassa florestal e a Hint original (r = 0,7518) e entre a biomassa florestal e a Hint ajustada (r = 0,7564).
id UFRJ-21_ef347bcc26699c0afcbc628b1cf2593c
oai_identifier_str oai:www.revistas.ufrj.br:article/38570
network_acronym_str UFRJ-21
network_name_str Anuário do Instituto de Geociências (Online)
repository_id_str
spelling Proposta de Ajuste de Altura Interferométrica para Modelo de Estimativa de BiomassaRADAR; InSAR; BiomassaA tecnologia de Radar de Abertura Sintética Interferométrica (InSAR), quando utilizada em diferentes comprimentos de onda, é capaz de gerar a altura interferométrica (Hint), calculada pela diferença aritmética entre o modelo digital de superfície (MDS) e o modelo digital do terreno (MDT). A Hint representa a altura da vegetação, visto que é o comprimento entre o terreno e o dossel da vegetação e, teoricamente, para áreas de solo exposto deve ter o valor estatisticamente igual a zero. O presente artigo tem por objetivo analisar a possibilidade de utilização de áreas identificadas como de solo exposto para ajustar dados InSAR, e consequentemente a Hint, visando a melhoria no modelo de estimativa de biomassa. A metodologia adotada inclui o uso de técnicas paramétricas e não paramétricas de busca de solução para definição dos parâmetros de ajuste da Hint sobre modelos matemáticos polinomiais e logarítmicos. Os melhores resultados foram obtidos com o modelo matemático logarítmico cujos parâmetros foram ajustados com a técnica do Gradiente Reduzido Generalizado. Entretanto, a análise dos resultados mostrou que não houve melhora significativa do coeficiente de correlação entre a biomassa florestal e a Hint original (r = 0,7518) e entre a biomassa florestal e a Hint ajustada (r = 0,7564).Universidade Federal do Rio de JaneiroCastro-Filho, Carlos Alberto Pires deBias, Edilson de Souza2020-09-30info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://revistas.ufrj.br/index.php/aigeo/article/view/3857010.11137/2020_3_110_123Anuário do Instituto de Geociências; Vol 43, No 3 (2020); 110_123Anuário do Instituto de Geociências; Vol 43, No 3 (2020); 110_1231982-39080101-9759reponame:Anuário do Instituto de Geociências (Online)instname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJporhttps://revistas.ufrj.br/index.php/aigeo/article/view/38570/21126/*ref*/Araújo, T.M.; Higuchi, N. & Junior, J.A.C. 1999. Comparison of formula for biomass content determination in a tropical rain forest in the state of Pará, Brazil. Forest Ecology and Management, 117: 43-52. Burrough, P.A. 1986. Principles of Geographical Information Systems for land resource assessment. London, Oxford University Press, 193p. Felgueiras, C.A. 2004. Modelagem Numérica de Terreno. In: CÂMARA, G.; DAVIS, C. & MONTEIRO, A.M.V. (ed.). Introdução à Ciência da Geoinformação. Instituto de Pesquisas Espaciais (INPE). Disponível em: <http://www.dpi.inpe.br/gilberto/livro/introd/cap7-mnt.pdf>. Acesso em: 4 dez 2019. Carpentier, J. & Abadie, J. 1966. Généralisation de la Méthode du Gradient Réduit de Wolfe au cas des Contraintes Non Lineaires. In: IV INTERNATIONAL CONFERENCE ON OPERATIONAL RESEARCH. Nova York, 1966. Castro-Filho, C.A.P.; Freitas, C.C.; Sant'anna, S.J.S.; Lima, A.J.N. & Higuchi, N. 2013. Relating Amazon Forest Biomass to PolInSAR Extracted Features. In: INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS), Melbourne, 2013. Resumos expandidos, Melbourne, p. 2111-2114. Debastiani, A.B.; Moura, M.M.; Rex, F.D.; Sanquetta, C.R.; Corte, A.P.D. & Pinto N. 2019. Regressões Robusta e Linear para Estimativa de Biomassa via Imagem Sentinel em uma Floresta Tropical. BIOFIX Scientific Journal, 4: 81-87. DSG. 2016. Diretoria de Serviço Geográfico. Especificação Técnica para Produtos de Conjunto de Dados Geoespaciais (ET-PCDG). Disponível em: <http://www.geoportal.eb.mil.br/portal/inde2>. Acesso em: 4 dez. 2019. DSG. 2019. Diretoria de Serviço Geográfico. Radiografia da Amazônia. Disponível em: <http://www.geoportal.eb.mil.br/portal/index.php/projetos/147-projeto-cartografia-da-amazonia>. Acesso em: 4 dez. 2019. Gama, F.F. 2007. Estudo da interferometria e polarimetria SAR em povoamentos florestais de eucalyptus SP. Programa de Pós-graduação em Sensoriamento Remoto. Instituto Nacional de Pesquisas Espaciais, Tese de Doutorado, 243 p. Google Earth. 2019. Disponível em: <http://www.google.com.br/intl/pt-BR/earth/>. Acesso em: 22 fev. 2019. IBGE. 2019. Instituto Brasileiro de Geografia e Estatística. Manuais Técnicos em Geociências, N° 14 – Acesso e Uso de Dados Geoespaciais. Disponível em: <https://biblioteca.ibge.gov.br/index.php/biblioteca-catalogo?view=detalhes&id=2101675>. Acesso em: 4 dez. 2019. JAXA. 2019. Japanese Space Agency. ALOS Global Digital Surface Model "ALOS World 3D - 30m (AW3D30)". Disponível em: < https://www.eorc.jaxa.jp/ALOS/en/aw3d30/index.htm>. Acesso em 26 de dez. 2019. Martínez, J.M. & Santos, S.A. 1995. Métodos computacionais de otimização. Campinas, Departamento de Matemática Aplicada IMECC-UNICAMP, 262p. Mouratidis A. 2014. Geographical Information Systems. In: ESA SAR COURSE, Malta, 2014. Disponível em: <https://earth.esa.int/documents/10174/1743079/02_Antonios_Mouratidis_GIS_overview.pdf>. Acessado em: 26 dez. 2019. Neeff, T.; Dutra, L.V.; Santos, J.R.; Freitas, C.C. & Araújo, L.S. 2005. Tropical forest biomass measurement by interferometric height modeling and P-band radar backscatter. Forest Science, 51(6): 585–594. Neter, J.; Kutner, M.H.; Nachtsheim, C.J. & Wasserman, W. 1996. Applied Linear Statistical Models. Boston, McGraw-Hill, 1408 p. Oliveira, M.V.N.D & Locks C.J. 2019. Potencial de uso de SAR aerotransportado para modelagem do terreno e da biomassa acima do solo em região de floresta tropical. In: XIX SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, Santos, 2019. Resumo expandido, Santos, INPE, p. 1855-1858. Disponível em: <https://www.embrapa.br/busca-de-publicacoes/-/publicacao/1113331/potencial-de-uso-de-sar-aerotransportado-para-modelagem-do-terreno-e-da-biomassa-acima-do-solo-em-regiao-de-floresta-tropical>. Acesso em: 26 dez. 2019. Pope, K.O.; Benayas-Rey, J.M. & Paris, J.F. 1994. Radar remote sensing of forest and wetland ecosystems in the Central American tropics. Remote Sensing of Environment, 48(2): 205-219. Projeto RadamBrasil. 1977. Folha SA.19 Içá/Amazonas: geologia, geomorfologia, pedologia, vegetação e uso potencial da terra. Rio de Janeiro, Departamento Nacional da Produção Mineral, 452 p. Reeves, C. 2010. Genetic Algorithms. In: Reeves, C. (ed.). Handbook of Metaheuristics. Coventry University, p. 55-82. Disponível em: <https://www.researchgate.net/publication/226462334_Genetic_Algorithms>. Acesso em: 06 dez. 2019. Saatchi, S.; Halligan, K.; Despain, D.G. & Crabtree, R.L. 2007. Estimation of forest fuel load from radar remote sensing. IEEE Transactions on Geoscience and Remote Sensing, 45(6): 1726 – 1740. Santos, J.R.; Freitas, C.C.; Araújo, L.S.; Dutra, L.V.; Mura, J.C.; Gama, F.F.; Soler, L.S. & Sant’Anna, S.J.S. 2003. Airborne P-band SAR applied to the aboveground biomass studies in the Brazilian tropical rainforest. Remote Sensing of Environment, ELSEVIER, 87: 482-493. Santoro M. & Cartus O. 2018. Research Pathways of Forest Above-Ground Biomass Estimation Based on SAR Backscatter and Interferometric SAR Observations. Remote Sensing, 10(4): 1-23. Disponível em: <https://www.mdpi.com/2072-4292/10/4/608>. Acesso em: 06 dez. 2019. Schlund, M.; Erasmi, S. & Scipal, K. 2019. Comparison of Aboveground Biomass Estimation From InSAR and LiDAR Canopy Height Models in Tropical Forests. IEEE Geoscience and Remote Sensing Letters, 17(3): 367-371. Singh, A. & Singh, K.K. 2017. Satellite image classification using Genetic Algorithm trained radial basis function neural network, application to the detection of flooded areas. Journal of Visual Communication and Image Representation, 42: 173–182. Zhang, H.; Huang M.; Qing X.; Li G. & Tian C. 2017. Bibliometric Analysis of Global Remote Sensing Research during 2010–2015. International Journal of Geo-information, 16(3): 87-102.Copyright (c) 2020 Anuário do Instituto de Geociênciashttp://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccess2020-10-06T16:22:34Zoai:www.revistas.ufrj.br:article/38570Revistahttps://revistas.ufrj.br/index.php/aigeo/indexPUBhttps://revistas.ufrj.br/index.php/aigeo/oaianuario@igeo.ufrj.br||1982-39080101-9759opendoar:2020-10-06T16:22:34Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)false
dc.title.none.fl_str_mv Proposta de Ajuste de Altura Interferométrica para Modelo de Estimativa de Biomassa
title Proposta de Ajuste de Altura Interferométrica para Modelo de Estimativa de Biomassa
spellingShingle Proposta de Ajuste de Altura Interferométrica para Modelo de Estimativa de Biomassa
Castro-Filho, Carlos Alberto Pires de
RADAR; InSAR; Biomassa
title_short Proposta de Ajuste de Altura Interferométrica para Modelo de Estimativa de Biomassa
title_full Proposta de Ajuste de Altura Interferométrica para Modelo de Estimativa de Biomassa
title_fullStr Proposta de Ajuste de Altura Interferométrica para Modelo de Estimativa de Biomassa
title_full_unstemmed Proposta de Ajuste de Altura Interferométrica para Modelo de Estimativa de Biomassa
title_sort Proposta de Ajuste de Altura Interferométrica para Modelo de Estimativa de Biomassa
author Castro-Filho, Carlos Alberto Pires de
author_facet Castro-Filho, Carlos Alberto Pires de
Bias, Edilson de Souza
author_role author
author2 Bias, Edilson de Souza
author2_role author
dc.contributor.none.fl_str_mv
dc.contributor.author.fl_str_mv Castro-Filho, Carlos Alberto Pires de
Bias, Edilson de Souza
dc.subject.por.fl_str_mv RADAR; InSAR; Biomassa
topic RADAR; InSAR; Biomassa
description A tecnologia de Radar de Abertura Sintética Interferométrica (InSAR), quando utilizada em diferentes comprimentos de onda, é capaz de gerar a altura interferométrica (Hint), calculada pela diferença aritmética entre o modelo digital de superfície (MDS) e o modelo digital do terreno (MDT). A Hint representa a altura da vegetação, visto que é o comprimento entre o terreno e o dossel da vegetação e, teoricamente, para áreas de solo exposto deve ter o valor estatisticamente igual a zero. O presente artigo tem por objetivo analisar a possibilidade de utilização de áreas identificadas como de solo exposto para ajustar dados InSAR, e consequentemente a Hint, visando a melhoria no modelo de estimativa de biomassa. A metodologia adotada inclui o uso de técnicas paramétricas e não paramétricas de busca de solução para definição dos parâmetros de ajuste da Hint sobre modelos matemáticos polinomiais e logarítmicos. Os melhores resultados foram obtidos com o modelo matemático logarítmico cujos parâmetros foram ajustados com a técnica do Gradiente Reduzido Generalizado. Entretanto, a análise dos resultados mostrou que não houve melhora significativa do coeficiente de correlação entre a biomassa florestal e a Hint original (r = 0,7518) e entre a biomassa florestal e a Hint ajustada (r = 0,7564).
publishDate 2020
dc.date.none.fl_str_mv 2020-09-30
dc.type.none.fl_str_mv

dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://revistas.ufrj.br/index.php/aigeo/article/view/38570
10.11137/2020_3_110_123
url https://revistas.ufrj.br/index.php/aigeo/article/view/38570
identifier_str_mv 10.11137/2020_3_110_123
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://revistas.ufrj.br/index.php/aigeo/article/view/38570/21126
/*ref*/Araújo, T.M.; Higuchi, N. & Junior, J.A.C. 1999. Comparison of formula for biomass content determination in a tropical rain forest in the state of Pará, Brazil. Forest Ecology and Management, 117: 43-52. Burrough, P.A. 1986. Principles of Geographical Information Systems for land resource assessment. London, Oxford University Press, 193p. Felgueiras, C.A. 2004. Modelagem Numérica de Terreno. In: CÂMARA, G.; DAVIS, C. & MONTEIRO, A.M.V. (ed.). Introdução à Ciência da Geoinformação. Instituto de Pesquisas Espaciais (INPE). Disponível em: <http://www.dpi.inpe.br/gilberto/livro/introd/cap7-mnt.pdf>. Acesso em: 4 dez 2019. Carpentier, J. & Abadie, J. 1966. Généralisation de la Méthode du Gradient Réduit de Wolfe au cas des Contraintes Non Lineaires. In: IV INTERNATIONAL CONFERENCE ON OPERATIONAL RESEARCH. Nova York, 1966. Castro-Filho, C.A.P.; Freitas, C.C.; Sant'anna, S.J.S.; Lima, A.J.N. & Higuchi, N. 2013. Relating Amazon Forest Biomass to PolInSAR Extracted Features. In: INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS), Melbourne, 2013. Resumos expandidos, Melbourne, p. 2111-2114. Debastiani, A.B.; Moura, M.M.; Rex, F.D.; Sanquetta, C.R.; Corte, A.P.D. & Pinto N. 2019. Regressões Robusta e Linear para Estimativa de Biomassa via Imagem Sentinel em uma Floresta Tropical. BIOFIX Scientific Journal, 4: 81-87. DSG. 2016. Diretoria de Serviço Geográfico. Especificação Técnica para Produtos de Conjunto de Dados Geoespaciais (ET-PCDG). Disponível em: <http://www.geoportal.eb.mil.br/portal/inde2>. Acesso em: 4 dez. 2019. DSG. 2019. Diretoria de Serviço Geográfico. Radiografia da Amazônia. Disponível em: <http://www.geoportal.eb.mil.br/portal/index.php/projetos/147-projeto-cartografia-da-amazonia>. Acesso em: 4 dez. 2019. Gama, F.F. 2007. Estudo da interferometria e polarimetria SAR em povoamentos florestais de eucalyptus SP. Programa de Pós-graduação em Sensoriamento Remoto. Instituto Nacional de Pesquisas Espaciais, Tese de Doutorado, 243 p. Google Earth. 2019. Disponível em: <http://www.google.com.br/intl/pt-BR/earth/>. Acesso em: 22 fev. 2019. IBGE. 2019. Instituto Brasileiro de Geografia e Estatística. Manuais Técnicos em Geociências, N° 14 – Acesso e Uso de Dados Geoespaciais. Disponível em: <https://biblioteca.ibge.gov.br/index.php/biblioteca-catalogo?view=detalhes&id=2101675>. Acesso em: 4 dez. 2019. JAXA. 2019. Japanese Space Agency. ALOS Global Digital Surface Model "ALOS World 3D - 30m (AW3D30)". Disponível em: < https://www.eorc.jaxa.jp/ALOS/en/aw3d30/index.htm>. Acesso em 26 de dez. 2019. Martínez, J.M. & Santos, S.A. 1995. Métodos computacionais de otimização. Campinas, Departamento de Matemática Aplicada IMECC-UNICAMP, 262p. Mouratidis A. 2014. Geographical Information Systems. In: ESA SAR COURSE, Malta, 2014. Disponível em: <https://earth.esa.int/documents/10174/1743079/02_Antonios_Mouratidis_GIS_overview.pdf>. Acessado em: 26 dez. 2019. Neeff, T.; Dutra, L.V.; Santos, J.R.; Freitas, C.C. & Araújo, L.S. 2005. Tropical forest biomass measurement by interferometric height modeling and P-band radar backscatter. Forest Science, 51(6): 585–594. Neter, J.; Kutner, M.H.; Nachtsheim, C.J. & Wasserman, W. 1996. Applied Linear Statistical Models. Boston, McGraw-Hill, 1408 p. Oliveira, M.V.N.D & Locks C.J. 2019. Potencial de uso de SAR aerotransportado para modelagem do terreno e da biomassa acima do solo em região de floresta tropical. In: XIX SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, Santos, 2019. Resumo expandido, Santos, INPE, p. 1855-1858. Disponível em: <https://www.embrapa.br/busca-de-publicacoes/-/publicacao/1113331/potencial-de-uso-de-sar-aerotransportado-para-modelagem-do-terreno-e-da-biomassa-acima-do-solo-em-regiao-de-floresta-tropical>. Acesso em: 26 dez. 2019. Pope, K.O.; Benayas-Rey, J.M. & Paris, J.F. 1994. Radar remote sensing of forest and wetland ecosystems in the Central American tropics. Remote Sensing of Environment, 48(2): 205-219. Projeto RadamBrasil. 1977. Folha SA.19 Içá/Amazonas: geologia, geomorfologia, pedologia, vegetação e uso potencial da terra. Rio de Janeiro, Departamento Nacional da Produção Mineral, 452 p. Reeves, C. 2010. Genetic Algorithms. In: Reeves, C. (ed.). Handbook of Metaheuristics. Coventry University, p. 55-82. Disponível em: <https://www.researchgate.net/publication/226462334_Genetic_Algorithms>. Acesso em: 06 dez. 2019. Saatchi, S.; Halligan, K.; Despain, D.G. & Crabtree, R.L. 2007. Estimation of forest fuel load from radar remote sensing. IEEE Transactions on Geoscience and Remote Sensing, 45(6): 1726 – 1740. Santos, J.R.; Freitas, C.C.; Araújo, L.S.; Dutra, L.V.; Mura, J.C.; Gama, F.F.; Soler, L.S. & Sant’Anna, S.J.S. 2003. Airborne P-band SAR applied to the aboveground biomass studies in the Brazilian tropical rainforest. Remote Sensing of Environment, ELSEVIER, 87: 482-493. Santoro M. & Cartus O. 2018. Research Pathways of Forest Above-Ground Biomass Estimation Based on SAR Backscatter and Interferometric SAR Observations. Remote Sensing, 10(4): 1-23. Disponível em: <https://www.mdpi.com/2072-4292/10/4/608>. Acesso em: 06 dez. 2019. Schlund, M.; Erasmi, S. & Scipal, K. 2019. Comparison of Aboveground Biomass Estimation From InSAR and LiDAR Canopy Height Models in Tropical Forests. IEEE Geoscience and Remote Sensing Letters, 17(3): 367-371. Singh, A. & Singh, K.K. 2017. Satellite image classification using Genetic Algorithm trained radial basis function neural network, application to the detection of flooded areas. Journal of Visual Communication and Image Representation, 42: 173–182. Zhang, H.; Huang M.; Qing X.; Li G. & Tian C. 2017. Bibliometric Analysis of Global Remote Sensing Research during 2010–2015. International Journal of Geo-information, 16(3): 87-102.
dc.rights.driver.fl_str_mv Copyright (c) 2020 Anuário do Instituto de Geociências
http://creativecommons.org/licenses/by/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Copyright (c) 2020 Anuário do Instituto de Geociências
http://creativecommons.org/licenses/by/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
publisher.none.fl_str_mv Universidade Federal do Rio de Janeiro
dc.source.none.fl_str_mv Anuário do Instituto de Geociências; Vol 43, No 3 (2020); 110_123
Anuário do Instituto de Geociências; Vol 43, No 3 (2020); 110_123
1982-3908
0101-9759
reponame:Anuário do Instituto de Geociências (Online)
instname:Universidade Federal do Rio de Janeiro (UFRJ)
instacron:UFRJ
instname_str Universidade Federal do Rio de Janeiro (UFRJ)
instacron_str UFRJ
institution UFRJ
reponame_str Anuário do Instituto de Geociências (Online)
collection Anuário do Instituto de Geociências (Online)
repository.name.fl_str_mv Anuário do Instituto de Geociências (Online) - Universidade Federal do Rio de Janeiro (UFRJ)
repository.mail.fl_str_mv anuario@igeo.ufrj.br||
_version_ 1797053544936767488