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

Detalhes bibliográficos
Ano de defesa: 2021
Autor(a) principal: Gonçalves, Francimar Carvalho
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
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:
Amazônia
Redes neurais artificiais
Manejo
Volume
Modelagem
Link de acesso: https://repositorio.unb.br/handle/10482/41682
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2021.
id UNB_23a201970bc1951a4c2597a997c2e4bc
oai_identifier_str oai:repositorio.unb.br:10482/41682
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileiraAmazôniaRedes neurais artificiaisManejoVolumeModelagemDissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2021.Amazônia 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.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).The 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.Faculdade de Tecnologia (FT)Departamento de Engenharia Florestal (FT EFL)Programa de Pós-Graduação em Ciências FlorestaisMiguel, Eder PereiraGonçalves, Francimar Carvalho2021-08-13T17:03:10Z2021-08-13T17:03:10Z2021-08-132021-02-23info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfGONÇALVES, Francimar Carvalho. Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira. 2021 65p. Dissertação (Mestrado em Ciências Florestais) — Universidade de Brasília, Brasília, 2021.https://repositorio.unb.br/handle/10482/41682A 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.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-02-05T17:58:39Zoai:repositorio.unb.br:10482/41682Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-02-05T17:58:39Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira
title Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira
spellingShingle Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira
Gonçalves, Francimar Carvalho
Amazônia
Redes neurais artificiais
Manejo
Volume
Modelagem
title_short Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira
title_full Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira
title_fullStr Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira
title_full_unstemmed Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira
title_sort Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira
author Gonçalves, Francimar Carvalho
author_facet Gonçalves, Francimar Carvalho
author_role author
dc.contributor.none.fl_str_mv Miguel, Eder Pereira
dc.contributor.author.fl_str_mv Gonçalves, Francimar Carvalho
dc.subject.por.fl_str_mv Amazônia
Redes neurais artificiais
Manejo
Volume
Modelagem
topic Amazônia
Redes neurais artificiais
Manejo
Volume
Modelagem
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2021.
publishDate 2021
dc.date.none.fl_str_mv 2021-08-13T17:03:10Z
2021-08-13T17:03:10Z
2021-08-13
2021-02-23
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv GONÇALVES, Francimar Carvalho. Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira. 2021 65p. Dissertação (Mestrado em Ciências Florestais) — Universidade de Brasília, Brasília, 2021.
https://repositorio.unb.br/handle/10482/41682
identifier_str_mv GONÇALVES, Francimar Carvalho. Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira. 2021 65p. Dissertação (Mestrado em Ciências Florestais) — Universidade de Brasília, Brasília, 2021.
url https://repositorio.unb.br/handle/10482/41682
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 application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1839083977112027136

Registros relacionados