Mapeamento da biomassa acima do solo na bacia do Rio Grande utilizando dados de sensoriamento remoto e aprendizado de máquina

• Ano de defesa: 2022
• Autor(a) principal: Oliveira, Iago Mendes de
• Orientador(a): Acerbi Júnior, Fausto Weimar
• Banca de defesa: Acerbi Júnior, Fausto Weimar, Terra, Marcela de Castro Nunes Santos, Bueno, Inacio Thomaz
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Florestal
• Departamento: Departamento de Ciências Florestais
• País: brasil
• Palavras-chave em Português: Biomassa acima do solo; Rio Grande; Sensoriamento remoto; Aboveground biomass; Remote sensing
• Área do conhecimento CNPq: Recursos Florestais e Engenharia Florestal
• Link de acesso: https://repositorio.ufla.br/handle/1/50913

A biomassa acima do solo (BAS) é um dos reservatórios de carbono mais dinâmicos do ecossistema terrestre, mas pouco se sabe sobre sua distribuição espacial. Atualmente, os métodos mais precisos para a quantificação da BAS são caros, demorados e limitados à pequenas áreas. Neste cenário, o sensoriamento remoto (SR) aparece como uma ferramenta promissora, fornecendo cobertura espacial e temporalsuficiente para o monitoramento contínuo e de baixo custo da BAS em grandes áreas. O objetivo deste trabalho foi realizar o mapeamento da BAS na bacia do Rio Grande, Minas Gerais, a partir de dados multissensores de SR, como informações das bandas B2-5 (reflectância de superfície) e B10 (temperatura de superfície) dos sensores OLI e TIRS do satélite Landsat 8 (L8), dados de radar de abertura sintética (SAR) do Sentinel-1A (S1) e dados do modelo digital de elevação SRTM. Nós também utilizamos dados derivados destes, como cinco índices de vegetação (NDVI, SAVI, DVI, ARVI e EVI) e 18 medidas de textura derivadas da matriz de coocorrência de níveis de cinza (GLCM), usando uma janela de 3 x 3 pixels. Para realizar a modelagem e o mapeamento da BAS, foi utilizado o algoritmo de aprendizado de máquina Random Forest. Utilizou-se o método de validação cruzada aninhada e a métrica Root Mean Square Error (RMSE) para medir o desempenho do modelo, que apresentou o valor de 48,79 Mg.ha-1 (44,22%). A otimização dos hiperparâmetros mtry (22), sample.fraction (0,22) e min.node.size (10) foi realizada utilizando o método da busca aleatória. Os resultados encontrados reforçaram a importância do uso de dados de diferentes sensores e domínios (espectral e espacial) na modelagem da BAS. O índice de vegetação ARVI foi a variável mais importante para o modelo. No entanto, a variável não conseguiu captar a alteração da BAS em áreas de vegetação mais densa, com valores de BAS próximos a 114 Mg.ha-1 . A elevação e as medidas de textura dissimilarity e sum entropy, associadas à polarização VH (S1) e ao índice de vegetação DVI (L8), foram essenciais para mitigar o efeito da saturação dos dados.