Estimating stem volume of eucalypt forest plantation using LiDAR: a comparison of the area and individual tree based approaches

• Autor(a) principal: Leite, Rodrigo Vieira
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/28672
• topic: Eucalipto; Sensoriamento remoto; Aprendizado do computador; Fotointerpretação Florestal

A estimativa de parâmetros florestais usando nuvem de pontos de LiDAR é um aprimoramento dos métodos convencionais, pois fornece informações precisas e espacializadas. Neste estudo comparamos o desempenho das abordagens a nível de área (ABA) e árvore (ITD) para esimar o volume em povoamentos de eucalipto. Foram testados cinco métodos na abordagem ABA usando Aritificial Neural Network (ANN), Random Forest (RF), Support Vector Machine (SVM), regressão linear e Gompertz, selecionando variáveis de entrada nos modelos usando Recursive Feature Elimination e correlação de Spearman para métodos não-paramétricos e paramétricos, respectivamente. Para o ITD, foram testados três métodos para detectar árvores (dois filtros máximos locais e o método da bacia hidrográfica), adicionando um novo procedimento gerando um buffer de exclusão de árvores para melhorar a precisão da detecção de arvores. Também foram testados quatro métodos para estimar o dap usando ANN e as equações de Gompertz, logística e exponencial. O volume de árvores nessa abordagem foi calculado utilizando o modelo de Schumacher e Hall. Além disso, foram avaliados os efeitos do ângulo de escaneamento, inclinação do terreno e idade do talhão na contagem de árvores, medição de altura e estimativa de volume. No geral, a abordagem ABA teve um melhor desempenho na estimativa de volume para o talhão (r = 0,95 e RMSE = 14,41%) não diferindo estatisticamente (p > 0,05) dos volumes medidos em campo para o teste F de Graybill e teste-t para o erro médio. As estimativas ITD, embora com desempenho semelhante (r = 0,97 e RMSE = 16,4%), tenderam a subestimar o volume em povoamentos mais jovens e em terrenos com inclinação até 25%, além disso diferiram estatisticamente (p < 0,05) dos volumes medidos em campo no teste F de Graybill e teste t para o erro médio. Os mapas de volume também foram diferentes para as abordagens, em que ITD teve valores distribuídos em mais classes que ABA. É discutido neste trabalho a importância das métricas LiDAR como variáveis de entrada nos métodos de estimativa e os possíveis problemas relacionados ao desempenho do ITD. Palavras-chave: Eucalyptus. Detecção de árvores. Aprendizado de máquina. Sensoriamento remoto