Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMiguel, Eder Pereira-
Autor(es): dc.creatorGonçalves, Francimar Carvalho-
Data de aceite: dc.date.accessioned2021-10-14T17:59:39Z-
Data de disponibilização: dc.date.available2021-10-14T17:59:39Z-
Data de envio: dc.date.issued2021-08-13-
Data de envio: dc.date.issued2021-08-13-
Data de envio: dc.date.issued2021-08-13-
Data de envio: dc.date.issued2021-02-23-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/41682-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/621082-
Descrição: dc.descriptionDissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2021.-
Descrição: dc.descriptionAmazônia brasileira envolve uma área de aproximadamente 5 milhões de quilômetros quadrados, nesta concentra-se a maior parte dos recursos florestais do planeta. Compreender sua conjuntura buscar formas para uma exploração sustentável é de suma importância no presente e futuro. Nesse sentido surgem os planos de manejo florestais sustentáveis (PMFS), porém a obtenção do volume nessas áreas muitas vezes é complexa e reservada a pequenas escalas. No presente estudo, objetivou-se correlacionar dados gerados dos índices de vegetação derivados de bandas espectrais do satélite Sentinel-2 e variáveis mensuradas em campo para predizer a produção volumétrica de árvores dentro de um PMFS. Para tanto tomou-se o diâmetro mínimo de medição (DMM) 30 cm, e juntamente as árvores de interesse comercial de acordo com o diâmetro mínimo de corte (DMC) a partir de 50 cm. Foram treinadas 300 redes neurais, em que 70% dos dados foram utilizados para o ajuste e 30% para validação. Posteriormente, as cinco redes de melhor desempenho foram retidas e listadas em tabelas apresentando os valores de correlação (r) entre os dados observados e os dados estimados pelas redes. Para o ajuste os resultados foram superiores a 90% sendo que a melhor RNA teve um poder preditivo de 97% para as árvores do DMM e 98% para as árvores de interesse comercial de acordo com DMC, para a validação os resultados também são superiores a 90%, os erros médios das estimativas RMSE foram inferiores a 20% em todas as 5 melhores redes nos dois casos. Os resultados deste estudo indicam que a junção de variáveis de rotina na floresta e os índices de vegetação derivados de imagens obtidas pelo sensor MSI a bordo do satélite Sentinel-2, estimam com boa acurácia tanto o volume da floresta na Amazônia como também o volume explorado para árvores de interesse comercial.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).-
Descrição: dc.descriptionThe Brazilian Amazon encompasses an area of approximately 5 million square kilometers, where most of the planet's forest resources are concentrated. Understanding your situation and seeking ways for sustainable exploration is of paramount importance in the present and the future. In this sense, sustainable forest management plans (PMFS) appear, but obtaining the volume in these areas is often complex and reserved for small scales. In the present study, the objective was to correlate data generated from vegetation indices derived from spectral bands from the Sentinel-2 satellite and variables measured in the field to predict the volumetric production of trees within a PMFS. For that, the minimum measurement diameter (DMM) was taken 30 cm, and together the trees of commercial interest according to the minimum cut diameter (DMC) from 50 cm. 300 neural networks were trained, in which 70% of the data were used for adjustment and 30% for validation. Subsequently, the five best performing networks were retained and listed in tables showing the correlation values (r) between the observed data and the data estimated by the networks. For the adjustment, the results were greater than 90% and the best RNA had a predictive power of 97 for the DMM trees and 98% for the trees of commercial interest according to DMC, for the validation the results are also greater than 90 %, the average errors of the RMSE estimates were less than 20% in all the 5 best networks in both cases. The results of this study indicate that the combination of routine variables in the forest and the vegetation indexes derived from images obtained by the MSI sensor on board the Sentinel-2 satellite, estimate with good accuracy both the volume of the forest in the Amazon as well as the volume explored for trees of commercial interest.-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectAmazônia-
Palavras-chave: dc.subjectRedes neurais artificiais-
Palavras-chave: dc.subjectManejo-
Palavras-chave: dc.subjectVolume-
Palavras-chave: dc.subjectModelagem-
Título: dc.titlePredição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.