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

Detalhes bibliográficos
Ano de defesa: 2022
Autor(a) principal: Costa, Adyne Cardoso da
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:
Estoque de biomassa
Floresta Amazônica
Índices de vegetação
Redes neurais artificiais
Sensoriamento remoto
Link de acesso: https://repositorio.unb.br/handle/10482/45463
Resumo: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2022.
id UNB_2931e7847a7aa2c57bfb3eb78c59543d
oai_identifier_str oai:repositorio.unb.br:10482/45463
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na AmazôniaEstoque de biomassaFloresta AmazônicaÍndices de vegetaçãoRedes neurais artificiaisSensoriamento remotoDissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2022.As 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.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES).The 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.Faculdade de Tecnologia (FT)Departamento de Engenharia Florestal (FT EFL)Programa de Pós-Graduação em Ciências FlorestaisPinto, José Roberto RodriguesMatricardi, Eraldo Aparecido TrondoliCosta, Adyne Cardoso da2023-01-09T21:59:20Z2023-01-09T21:59:20Z2023-01-092022-06-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfCOSTA, Adyne Cardoso da. Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia. 2022. 59 f., il. Dissertação (Mestrado em Ciências Florestais) — Universidade de Brasília, Brasília, 2022.https://repositorio.unb.br/handle/10482/45463porA 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/openAccessreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2025-03-19T16:32:04Zoai:repositorio.unb.br:10482/45463Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2025-03-19T16:32:04Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia
title Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia
spellingShingle Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia
Costa, Adyne Cardoso da
Estoque de biomassa
Floresta Amazônica
Índices de vegetação
Redes neurais artificiais
Sensoriamento remoto
title_short Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia
title_full Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia
title_fullStr Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia
title_full_unstemmed Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia
title_sort Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia
author Costa, Adyne Cardoso da
author_facet Costa, Adyne Cardoso da
author_role author
dc.contributor.none.fl_str_mv Pinto, José Roberto Rodrigues
Matricardi, Eraldo Aparecido Trondoli
dc.contributor.author.fl_str_mv Costa, Adyne Cardoso da
dc.subject.por.fl_str_mv Estoque de biomassa
Floresta Amazônica
Índices de vegetação
Redes neurais artificiais
Sensoriamento remoto
topic Estoque de biomassa
Floresta Amazônica
Índices de vegetação
Redes neurais artificiais
Sensoriamento remoto
description Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-06-24
2023-01-09T21:59:20Z
2023-01-09T21:59:20Z
2023-01-09
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 COSTA, Adyne Cardoso da. Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia. 2022. 59 f., il. Dissertação (Mestrado em Ciências Florestais) — Universidade de Brasília, Brasília, 2022.
https://repositorio.unb.br/handle/10482/45463
identifier_str_mv COSTA, Adyne Cardoso da. Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia. 2022. 59 f., il. Dissertação (Mestrado em Ciências Florestais) — Universidade de Brasília, Brasília, 2022.
url https://repositorio.unb.br/handle/10482/45463
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_ 1839083800442699776

Registros relacionados