Onde estão as palmeiras na Amazônia? : sensoriamento remoto e inteligência artificial aplicados à análise espacial da ocorrência e densidade de espécies

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Karasinski, Mauro Alessandro
Orientador(a): Dalla Corte, Ana Paula, 1980-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Sensoriamento remoto
Palmeira - Amazônia
Levantamentos florestais - Amazônia
Inteligência artificial
Recursos Florestais e Engenharia Florestal
Link de acesso: https://hdl.handle.net/1884/98097
Resumo: Orientadora: Profa. Dra. Ana Paula Dalla Corte
id UFPR_29d4bcfb4a6c2796cb4638fc36ff478f
oai_identifier_str oai:acervodigital.ufpr.br:1884/98097
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Figueiredo, Evandro OrfanóBroadbent, Eben NorthUniversidade Federal do Paraná. Setor de Ciências Agrárias. Programa de Pós-Graduação em Engenharia FlorestalDalla Corte, Ana Paula, 1980-Karasinski, Mauro Alessandro2025-08-26T13:49:38Z2025-08-26T13:49:38Z2025https://hdl.handle.net/1884/98097Orientadora: Profa. Dra. Ana Paula Dalla CorteCoorientadores: Prof. Dr. Evandro Orfanó Figueiredo e Prof. Dr. Eben North BroadbendtTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Agrárias, Programa de Pós-Graduação em Engenharia Florestal. Defesa : Curitiba, 07/07/2025Inclui referênciasResumo: A floresta amazônica abriga uma notável diversidade de palmeiras com relevância ecológica, econômica e sociocultural, cuja distribuição espacial e densidade ainda são pouco conhecidas devido à complexidade do ambiente e às limitações logísticas da coleta em campo. Esta tese estruturou-se em três capítulos inter-relacionados que investigam, por meio de geotecnologias e inteligência artificial, estratégias para mapear e modelar a ocorrência de palmeiras amazônicas em larga escala. No primeiro capítulo, avaliou-se o desempenho do modelo de deep learning YOLOv10x para detecção automática de 14 espécies de palmeiras em imagens RGB obtidas por drones em 47 locais da Amazônia ocidental, destacando-se o modelo global com precisão média de (mAP) de 80% e elevada capacidade de generalização entre regiões (F1-score = 79%), regiões com maior número de imagem e indivíduos, Regiões com maior número de imagens e indivíduos, como Baixo Acre, apresentaram os melhores desempenhos (mAP > 0,90), enquanto áreas com amostragem limitada, como Juruá e Sul do Amazonas, obtiveram mAPs abaixo de 0,37. O segundo capítulo investigou o impacto da sazonalidade sobre a acurácia do modelo, comparando períodos seco e chuvoso no estado do Acre. Os resultados indicaram variações interespécies relacionadas à fenologia e à visibilidade no dossel, em que o período chuvoso apresentou desempenho superior ao seco, evidenciando a importância do estabelecimento de um calendário de coleta das imagens, a fim de considerar aspectos ecológicos como e operacionais na coleta e no treinamento dos modelos. Por fim, o terceiro capítulo integrou as detecções obtidas com YOLOv10x a variáveis ambientais para modelar e espacializar a densidade das espécies com Random Forest, utilizando abordagem bootstrap. Os modelos apresentaram desempenho preditivo variável entre as espécies, coeficientes de determinação (R²) entre 0,45 e 0,85. As covariáveis de maior importância foram precipitações máxima e mínima, as temperaturas máxima e mínima, a longitude, a latitude, a elevação e o índice topográfico de umidade (TWI). Os mapas gerados revelaram a preferência de algumas espécies, como Mauritia flexuosa (buriti), Astrocaryum aculeatum (tucumã), Euterpe precatoria (açaí) e Oenocarpus bataua (patauá), por áreas de baixio e maior umidade, enquanto outras, como Attalea maripa (inajá), se distribuíram em terrenos mais elevados e bem drenados. Esses padrões específicos de ocorrência podem servir de base para a identificação de áreas prioritárias para cadeias produtivas da bioeconomia amazônica. Os resultados demonstram o potencial da combinação entre sensoriamento remoto, aprendizado profundo e modelagem ambiental como ferramenta estratégica para monitoramento, planejamento territorial e valorização da sociobiodiversidade na AmazôniaAbstract: The Amazon rainforest harbors a remarkable diversity of palm species with ecological, economic, and sociocultural relevance, whose spatial distribution and density remain poorly understood due to the complexity of the environment and logistical limitations of field sampling. This dissertation is structured into three interrelated chapters that investigate, through geotechnologies and artificial intelligence, strategies to map and model the occurrence of Amazonian palms at a large scale. In the first chapter, the performance of the deep learning model YOLOv10x was evaluated for the automatic detection of 14 palm species in RGB images captured by drones across 47 locations in the western Amazon. Regions with a larger number of images and individuals, such as Baixo Acre, achieved the best performance (mAP > 0.90), while areas with limited sampling, such as Juruá and southern Amazonas, had mAP values below 0.37. However, the global model stood out with a mean Average Precision (mAP) of 80% and high generalization capacity across regions (F1-score = 79%). The second chapter investigated the impact of seasonality on model accuracy by comparing dry and rainy periods in the state of Acre. The results indicated interspecies variations related to phenology and canopy visibility, with the rainy season showing better performance than the dry season. This highlights the importance of establishing an image acquisition calendar that considers both ecological and operational aspects during data collection and model training. Finally, the third chapter integrated the detections obtained with YOLOv10x and environmental variables to model and spatialize species density using the Random Forest algorithm, adopting a bootstrap approach. The models exhibited varying predictive performance among species, with coefficients of determination (R²) ranging from 0.45 to 0.85. The most important covariates were maximum and minimum precipitation, maximum and minimum temperature, longitude, latitude, elevation, and the Topographic Wetness Index (TWI). The generated maps revealed specific habitat preferences for some species, such as Mauritia flexuosa (buriti), Astrocaryum aculeatum (tucumã), Euterpe precatoria (açaí), and Oenocarpus bataua (patauá), which favored low-lying and wetter areas, while others, such as Attalea maripa (inajá), were distributed in higher and better-drained terrains. These specific occurrence patterns may serve as a basis for identifying priority areas for sustainable value chains within the Amazon bioeconomy. The results demonstrate the potential of combining remote sensing, deep learning, and environmental modeling as a strategic tool for monitoring, territorial planning, and the enhancement of sociobiodiversity in the Amazon1 recurso online : PDF.application/pdfSensoriamento remotoPalmeira - AmazôniaLevantamentos florestais - AmazôniaInteligência artificialRecursos Florestais e Engenharia FlorestalOnde estão as palmeiras na Amazônia? : sensoriamento remoto e inteligência artificial aplicados à análise espacial da ocorrência e densidade de espéciesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - T - MAURO ALESSANDRO KARASINSKI.pdfapplication/pdf23352427https://acervodigital.ufpr.br/bitstream/1884/98097/1/R%20-%20T%20-%20MAURO%20ALESSANDRO%20KARASINSKI.pdfc618712ecdede1b0405e8d1684e7d51fMD51open access1884/980972025-08-26 10:49:38.322open accessoai:acervodigital.ufpr.br:1884/98097Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082025-08-26T13:49:38Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Onde estão as palmeiras na Amazônia? : sensoriamento remoto e inteligência artificial aplicados à análise espacial da ocorrência e densidade de espécies
title Onde estão as palmeiras na Amazônia? : sensoriamento remoto e inteligência artificial aplicados à análise espacial da ocorrência e densidade de espécies
spellingShingle Onde estão as palmeiras na Amazônia? : sensoriamento remoto e inteligência artificial aplicados à análise espacial da ocorrência e densidade de espécies
Karasinski, Mauro Alessandro
Sensoriamento remoto
Palmeira - Amazônia
Levantamentos florestais - Amazônia
Inteligência artificial
Recursos Florestais e Engenharia Florestal
title_short Onde estão as palmeiras na Amazônia? : sensoriamento remoto e inteligência artificial aplicados à análise espacial da ocorrência e densidade de espécies
title_full Onde estão as palmeiras na Amazônia? : sensoriamento remoto e inteligência artificial aplicados à análise espacial da ocorrência e densidade de espécies
title_fullStr Onde estão as palmeiras na Amazônia? : sensoriamento remoto e inteligência artificial aplicados à análise espacial da ocorrência e densidade de espécies
title_full_unstemmed Onde estão as palmeiras na Amazônia? : sensoriamento remoto e inteligência artificial aplicados à análise espacial da ocorrência e densidade de espécies
title_sort Onde estão as palmeiras na Amazônia? : sensoriamento remoto e inteligência artificial aplicados à análise espacial da ocorrência e densidade de espécies
author Karasinski, Mauro Alessandro
author_facet Karasinski, Mauro Alessandro
author_role author
dc.contributor.other.pt_BR.fl_str_mv Figueiredo, Evandro Orfanó
Broadbent, Eben North
Universidade Federal do Paraná. Setor de Ciências Agrárias. Programa de Pós-Graduação em Engenharia Florestal
dc.contributor.advisor1.fl_str_mv Dalla Corte, Ana Paula, 1980-
dc.contributor.author.fl_str_mv Karasinski, Mauro Alessandro
contributor_str_mv Dalla Corte, Ana Paula, 1980-
dc.subject.por.fl_str_mv Sensoriamento remoto
Palmeira - Amazônia
Levantamentos florestais - Amazônia
Inteligência artificial
Recursos Florestais e Engenharia Florestal
topic Sensoriamento remoto
Palmeira - Amazônia
Levantamentos florestais - Amazônia
Inteligência artificial
Recursos Florestais e Engenharia Florestal
description Orientadora: Profa. Dra. Ana Paula Dalla Corte
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-08-26T13:49:38Z
dc.date.available.fl_str_mv 2025-08-26T13:49:38Z
dc.date.issued.fl_str_mv 2025
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/98097
url https://hdl.handle.net/1884/98097
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/98097/1/R%20-%20T%20-%20MAURO%20ALESSANDRO%20KARASINSKI.pdf
bitstream.checksum.fl_str_mv c618712ecdede1b0405e8d1684e7d51f
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526117474304000

Registros relacionados