Aplicação de aeronaves remotamente pilotadas e fotogrametria para avaliação e monitoramento de áreas em processo de restauração florestal

• Autor(a) principal: Rafael Walter de Albuquerque
• Data de Publicação: 2022
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://doi.org/10.11606/T.106.2022.tde-27072022-144958

Diversas atividades humanas acarretam a supressão de vegetação nativa e muitas vezes os limites legais não são respeitados, tornando necessária a Restauração Florestal (RF). No campo das geotecnologias (em especial, no Sensoriamento Remoto orbital e aéreo), câmeras convencionais acopladas a Aeronaves Remotamente Pilotadas, ou Remotely Piloted Aircrafts (RPA) podem aprimorar o processo de monitoramento da RF, pois geram produtos de maior resolução espacial, dados altimétricos via Modelos Digitais de Superfície (MDS), dados de altura via Canopy Height Model (CHM), imagens não contaminadas por nuvens e não possuem carência de resolução temporal. O objetivo principal desta pesquisa é estudar a aplicação de RPA e fotogrametria para avaliação e monitoramento de áreas em processo de RF, considerando o contexto atual brasileiro. Seguindo diretrizes do Protocolo de Monitoramento da RF do Pacto pela Restauração da Mata Atlântica, dois importantes aspectos da vegetação foram obtidos por RPA e fotogrametria: (i) estrutura, que consistiu na cobertura de dossel (via intervalo de valor do CHM), densidade de árvores (via algoritmo Máxima Local), cobertura de gramíneas (via machine learning, índice de vegetação e filtros) e altura de dossel (via CHM); e (ii) biodiversidade, que consistiu tanto na identificação de duas espécies relevantes para a RF na Amazônia (via deep learning) quanto em locais com maior ou menor diversidade de espécies (via deep learning para delineamento de copas e análises de regressão baseadas em métricas de heterogeneidade do CHM e dados de campo). RPA e fotogrametria mostraram êxito na medição de todos os indicadores, sendo que dois deles apresentaram capacidade de generalização a imagens diferentes das utilizadas neste estudo. Dentre os aspectos estruturais da vegetação, altura e cobertura de dossel podem ser trabalhados de forma mais generalizada porque podem ser obtidos utilizando-se apenas dados da nuvem de pontos. Essa base de dados obtida em processos de fotogrametria não sofre influência das variações de luz solar ao longo do dia e das estações do ano, o que possibilita a capacidade de generalização. Já a utilização do ortomosaico não possibilita num primeiro momento essa capacidade de generalização porque os valores dos seus pixels sofrem influência da luz solar, demandando mais trabalhos para possibilitar a capacidade de generalização de modelos que usam essa base de dados. Logo, apesar dos bons resultados obtidos para o quesito biodiversidade, são necessários mais dados para obtenção de modelos com maior capacidade de generalização, o que permitiria uma utilização mais pragmática pela sociedade. Diante do amplo potencial de contribuição ao monitoramento da RF, trabalhos futuros devem aprimorar os processos de machine learning e a medição da biodiversidade via RPA e fotogrametria, pois as florestas tropicais brasileiras são amplamente diversas e apresentam considerável desafio neste sentido.