Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPinto, José Roberto Rodrigues-
Autor(es): dc.contributorMatricardi, Eraldo Aparecido Trondoli-
Autor(es): dc.creatorCosta, Adyne Cardoso da-
Data de aceite: dc.date.accessioned2024-07-22T12:57:09Z-
Data de disponibilização: dc.date.available2024-07-22T12:57:09Z-
Data de envio: dc.date.issued2023-01-08-
Data de envio: dc.date.issued2023-01-08-
Data de envio: dc.date.issued2023-01-08-
Data de envio: dc.date.issued2022-06-24-
Fonte completa do material: dc.identifierhttps://repositorio.unb.br/handle/10482/45463-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/814880-
Descrição: dc.descriptionDissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2022.-
Descrição: dc.descriptionAs florestas tropicais estocam quantidade muito significativa de carbono orgânico em sua biomassa aérea e subterrânea. A mensuração da biomassa florestal é uma atividade laboriosa e demanda muito tempo e recursos financeiros para sua implementação. Portanto, tem sido crescente o interesse de muitos pesquisadores em desenvolver novas técnicas para quantificar a biomassa em ecossistemas naturais. No presente estudo, desenvolveu-se um modelo para a estimativa da biomassa florestal acima do solo (BFAS) em florestas tropicais a partir de dados de sensoriamento remoto e redes neurais artificiais ajustados e validados com base em dados de campo. Quatro índices de vegetação, derivados de imagens do Satélite Landsat-5 TM, foram testados e avaliados estatisticamente em suas correlações com a biomassa obtida do inventário florestal. Os resultados indicaram os índices de vegetação Normalized Difference Vegetation Index (NDVI) e Aerosol Free Vegetation Index (AFRI) como os melhores em desempenho na estimativa da BFAS. A partir daí foram treinadas 286 RNAs usando como dados de entrada o NDVI, o AFRI e a estratificação da área em duas fitofisionomias – Floresta Ombrófila Densa de Terras Baixas e Floresta Ombrófila Densa Sub-montana. A seleção da RNA mais adequada foi feita segundo os critérios da análise gráfica do erro residual e do coeficiente de correlação do modelo. Por fim, a validação da RNA selecionada foi feita a partir da análise dos resultados do teste t de Student e da diferença agregada entre os valores preditos pela rede neural e os valores observados para as parcelas de validação. Assim, este estudo indica que o uso de dados de sensoriamento remoto associados a redes neurais artificiais possibilita a estimativa com precisão da biomassa florestal acima do solo em florestas tropicais.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).-
Descrição: dc.descriptionThe tropical forests stock a very significant amount of organic carbon as aboveground and soil biomass, which is an important research topic and a challenging for researchers in developing the techniques for quantifying biomass in natural ecosystems. Forest biomass measurement is a laborious activity that demands much time and financial resources. This study aimed to develop a model for estimating the aboveground biomass (AGB) in tropical forests using remotely sensed data and artificial neural networks. Nine vegetation indices retrieved from Landsat-5 TM sensor were tested and statistically evaluated based on their correlation with the biomass measured in field plots sampled by a forest inventory. Based on this study results, the Normalized Difference Vegetation Index (NDVI) and Aerosol Free Vegetation Index (AFRI) showed the best performance in estimating AGB. A total of 286 RNA were trained using as input layer the NDVI, AFRI, and the vegetation stratification classified into two Phytophysiognomies: lowland ombrophilous dense forest and submontane ombrophilous dense forest. The most appropriate RNA was selected based on graphical analysis of the residual errors and the correlation coefficient of the model. Ultimately, the validation of the selected RNA as based on the analysis of the Student's ttest results and on the aggregate difference between the predicted values by the artificial neural network and the observed values used for validation. This study results indicate that the use of remote sensing data and artificial neural networks combined can accurately estimate the forest above ground biomass in tropical forests.-
Descrição: dc.descriptionFaculdade de Tecnologia (FT)-
Descrição: dc.descriptionDepartamento de Engenharia Florestal (FT EFL)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Ciências Florestais-
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.subjectEstoque de biomassa-
Palavras-chave: dc.subjectFloresta Amazônica-
Palavras-chave: dc.subjectÍndices de vegetação-
Palavras-chave: dc.subjectRedes neurais artificiais-
Palavras-chave: dc.subjectSensoriamento remoto-
Título: dc.titlePredição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.