Mapeamento da vegetação de áreas de preservação permanente de corpos hídricos com drone

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLignon, Marília Cunha-
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.contributorAlmeida, Catherine Torres de [UFPR]-
Autor(es): dc.creatorCosta, Iris Maria da-
Data de aceite: dc.date.accessioned2025-08-21T17:24:10Z-
Data de disponibilização: dc.date.available2025-08-21T17:24:10Z-
Data de envio: dc.date.issued2025-07-14-
Data de envio: dc.date.issued2025-06-30-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/312019-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/312019-
Descrição: dc.descriptionA avaliação da integridade ecológica é fundamental para a conservação da vegetação e dos recursos hídricos, especialmente diante das pressões antrópicas e mudanças climáticas. O uso de drones com sensores RGB, tem se destacado como uma alternativa eficaz para o monitoramento de Áreas de Preservação Permanente (APPs), permitindo análises espaciais detalhadas por meio de índices de vegetação. Diante disso, o objetivo desse trabalho foi realizar o mapeamento de APPs hídricas por meio de sensor RGB embarcado em drone DJI Mavic 3 em uma comunidade rural e comparar a aplicação de dois índices de vegetação na caracterização da cobertura vegetal. A metodologia desenvolvida consistiu na aquisição e processamento de imagens aéreas, aplicação de índices de vegetação GLI e VIgreen no software QGIS Desktop 3.34.4, e no cálculo de limiares, para classificação da presença ou ausência de áreas vegetadas. Os índices GLI e VIgreen mostraram padrões semelhantes de vegetação, com pequenas diferenças, especialmente em áreas de transição entre vegetação e solo exposto. O GLI foi mais sensível ao contraste vegetação-solo e apresentou maior precisão ao excluir superfícies construídas que o VIgreen classificou erroneamente como vegetação. Ambos indicaram cobertura vegetal consistente, mas o VIgreen teve maior sensibilidade local e propensão a falsos positivos em superfícies artificiais, devido a sombras e clareiras que dificultaram a classificação correta em áreas densas. O GLI destacou-se pela maior consistência e potencial para monitoramento ambiental. Os resultados indicam o potencial dessa tecnologia que, combinada com inteligência artificial e aprendizado de máquina, pode automatizar e melhorar a gestão ambiental de forma sustentável.-
Descrição: dc.descriptionThe assessment of ecological integrity is fundamental for the conservation of vegetation and water resources, especially in the face of anthropogenic pressures and climate change. The use of drones equipped with RGB sensors has stood out as an effective alternative for monitoring Permanent Preservation Areas (APPs), allowing detailed spatial analyses through vegetation indices. Therefore, the objective of this study was to map water-related APPs using an RGB sensor mounted on a DJI Mavic 3 drone in a rural community and to compare the application of two vegetation indices in characterizing vegetation cover. The methodology involved the acquisition and processing of aerial images, application of the GLI and VIgreen vegetation indices, delimitation of the study area in QGIS Desktop 3.34.4, and threshold calculation to classify the presence or absence of vegetated areas. The GLI and VIgreen indices showed similar vegetation patterns, with minor differences, especially in transition zones between vegetation and exposed soil. GLI was more sensitive to vegetation-soil contrast and demonstrated greater accuracy in excluding built surfaces that VIgreen incorrectly classified as vegetation. Both indices indicated consistent vegetation cover, but VIgreen showed higher local sensitivity and a tendency toward false positives on artificial surfaces due to shadows and clearings, which hindered accurate classification in dense areas. GLI stood out for its greater consistency and potential for environmental monitoring. The results highlight the potential of this cost-effective technology which, when combined with artificial intelligence and machine learning, can automate and enhance sustainable environmental management.-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionEdital 8/2024. Proposta: 16660-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Estadual Paulista (UNESP)-
Direitos: dc.rightsinfo:eu-repo/semantics/restrictedAccess-
Palavras-chave: dc.subjectGeociências e Sensoriamento Remoto-
Palavras-chave: dc.subjectMonitoramento ambiental-
Palavras-chave: dc.subjectÁrea de preservação permanente-
Palavras-chave: dc.subjectDrone-
Palavras-chave: dc.subjectGeosciences and Remote Sensing-
Palavras-chave: dc.subjectEnvironmental monitoring-
Palavras-chave: dc.subjectPermanent Preservation Area-
Título: dc.titleMapeamento da vegetação de áreas de preservação permanente de corpos hídricos com drone-
Título: dc.titleVegetation mapping of permanent preservation areas of water bodies using a drone-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.