Navegar por:

Análise do uso de satélites ópticos no mapeamento de clareiras sob manejo florestal, a partir de técnicas de classificação em inteligência artificial (machine learning) na Floresta Nacional de Altamira

Use este link compartilhar ou citar este material: http://educapes.capes.gov.br/handle/capes/905472
Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorGomes, Roberto Arnaldo Trancoso-
Autor(es): dc.creatorRodrigues, Fabrício Alves-
Data de aceite: dc.date.accessioned2024-10-23T16:19:26Z-
Data de disponibilização: dc.date.available2024-10-23T16:19:26Z-
Data de envio: dc.date.issued2024-06-11-
Data de envio: dc.date.issued2024-06-11-
Data de envio: dc.date.issued2024-06-11-
Data de envio: dc.date.issued2024-02-29-
Fonte completa do material: dc.identifierhttp://repositorio2.unb.br/jspui/handle/10482/48220-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/905472-
Descrição: dc.descriptionDissertação (mestrado) - Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-Graduação em Geografia, 2024.-
Descrição: dc.descriptionA Conferência Rio+20 destacou os benefícios sociais, econômicos e ambientais do Manejo Florestal Sustentável (MFS) como parte dos esforços em direção ao desenvolvimento sustentável (ONU, 2012). Uma análise realizada por Putz et al. (2012) revela que florestas bem manejadas retêm reservas substanciais de biodiversidade, carbono e madeira e devem ser avaliadas como um caminho intermediário entre o desmatamento e a proteção integral. No entanto, é crucial que haja capacidade de monitoramento para garantir sua adequada implementação. As clareiras florestais são consideradas bons indicadores para a avaliação do impacto da atividade madeireira, pois estão relacionadas a processos ecológicos essenciais, todavia, não é fácil mapeá-las. As florestas sob MFS apresentam um mosaico complexo de ambientes, tornando desafiador o monitoramento dessas mudanças por meio de sensores orbitais. Esta pesquisa tem como objetivo, por meio da classificação supervisionada de imagens Cbers 4A WPM, PlanetScope e Sentinel-2 MSI, avaliar a capacidade desses sensores em mapear clareiras florestais, logo após o término da atividade madeireira, em área sob concessão na Floresta Nacional de Altamira. Foram empregadas diversas combinações de bandas espectrais e processamentos, incluindo o cálculo do NDVI, fusão espectral, reamostragem de resolução espacial e técnicas de mapeamento Pixel a Pixel e Análise Baseada em Objetos Geográficos (Geobia), resultando em 14 conjuntos de dados distintos. Cada um foi classificado por meio dos algoritmos baseados em aprendizagem de máquina: K-Nearest Neighbors (KNN), Random Forest (RF) e Support Vector Machine (SVM), totalizando 42 mapeamentos. Foram realizadas três formas diferentes de validação dos resultados: (1) validação baseada no método Out-of-bag (OOB); (2) taxa de detecção da infraestrutura instalada; e (3) validação baseada em mapeamentos realizados com dados Lidar aerotransportado. As médias dos resultados de F-score pelo método OOB foram de 99% para o sensor Cbers 4A WPM, 96,71% para o sensor PlanetScope e de 97,86% para Sentinel-2 MSI. A taxa média de detecção dos pátios de estocagem superou os 99%, alcançando, em média, 60,95% para as estradas principais e 36,97% para as secundárias. A área total de clareiras mapeadas com os sensores ópticos abrangeu, em média, 9,52% da área total em estudo. No entanto, os quantitativos das clareiras mapeadas apresentaram diferenças significativas entre os sensores ópticos. Os resultados das métricas de validação com dados Lidar foram significativamente baixos, confirmando a complexidade em mapear essas feições. Os valores mais elevados obtidos para cada uma dessas métricas ficaram abaixo de 40% para Precisão e Recall e abaixo de 20% para F-score. Todavia, ao restringirmos a validação com dados Lidar às clareiras sobrepostas à infraestrutura instalada, os resultados foram, em média, 150% superiores.-
Descrição: dc.descriptionThe Rio+20 Conference highlighted the social, economic, and environmental benefits of Sustainable Forest Management (SFM) as part of the efforts towards sustainable development (UN, 2012). An analysis conducted by Putz et al. (2012) reveals that well-managed forests retain substantial reserves of biodiversity, carbon, and wood and should be considered an intermediate path between deforestation and full protection. However, it is crucial to have monitoring capacity to ensure its proper implementation. Canopy openings are considered good indicators for assessing the impact of logging activities as they are linked to essential ecological processes. Nevertheless, mapping them is not easy. Forests under SFM present a complex mosaic of environments, making it challenging to monitor these changes through orbital sensors. This research aims, through supervised classification of Cbers 4A WPM, PlanetScope, and Sentinel-2 MSI images, to evaluate the capacity of these optical sensors to map canopy openings, shortly after the completion of logging activities, in concession areas within Altamira National Forest. Various combinations of spectral bands and processing techniques were employed, including NDVI calculation, spectral fusion, spatial resolution resampling, Pixel-toPixel mapping, and Geographic Object-Based Image Analysis, resulting in 14 distinct datasets. Each was classified using machine learning-based algorithms: K-Nearest Neighbors (K-NN), Random Forest (RF), and Support Vector Machine (SVM), totaling 42 mappings. Three different validation methods were performed: (1) validation based on the Out-of-bag method (OOB); (2) detection rate of installed infrastructure; and (3) validation based on mappings using airborne Lidar data. The mean F-score results using the OOB method were 99% for the Cbers 4A WPM sensor, 96,71% for the PlanetScope sensor, and 97,86 for the Sentinel-2 MSI sensor. The average detection rate of storage yards exceeded 99%, reaching an average of 60.95% for main roads and 36.97% for secondary roads. The total area of Canopy openings mapped with optical sensors covered, on average, 9,52% of the total study area. However, the quantities of mapped showed significant differences between the optical sensors. The validation metrics results with Lidar data were significantly low, confirming the complexity in mapping these features. The highest values obtained for each of these metrics were below 40% for Precision and Recall and below 20% for F-score. Nevertheless, when limiting the Lidar validation to canopy openings overlapping installed infrastructure, the results were, on average, 150% higher.-
Descrição: dc.descriptionInstituto de Ciências Humanas (ICH)-
Descrição: dc.descriptionDepartamento de Geografia (ICH GEA)-
Descrição: dc.descriptionPrograma de Pós-Graduação em Geografia-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
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.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, 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.subjectManejo florestal-
Palavras-chave: dc.subjectAprendizado de máquina-
Título: dc.titleAnálise do uso de satélites ópticos no mapeamento de clareiras sob manejo florestal, a partir de técnicas de classificação em inteligência artificial (machine learning) na Floresta Nacional de Altamira-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.
Mostrar registro simples do item Visualizar estatísticas

Avaliação