Modelagem da biomassa de plantações florestais a partir da tecnologia LiDAR embarcada em drone

• Ano de defesa: 2023
• Autor(a) principal: Sousa, João Marcos Rebessi [UNESP]
• Orientador(a): Guerra, Saulo Philipe Sebastião [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Sensoriamento Remoto; LiDAR; Mensuração Florestal; Biomassa
• Palavras-chave em Inglês: Machine Learning; Forest measurement; Remote sensing; Point cloud
• Link de acesso: https://hdl.handle.net/11449/253094

A quantificação da biomassa de plantações florestais com o uso de dados LiDAR (Light Detection And Ranging) embarcado em drones (ou unmanned aerial vehicle – UAV-LS) tem apresentado grande potencial, principalmente pelo elevado nível de detalhamento e agilidade em relação as metodologias tradicionais de inventário florestal. Este trabalho teve como objetivo principal aplicar técnicas de aprendizado de máquinas para predizer a biomassa acima do solo com base em dados LiDAR. Para isso, foram obtidos dados UAV-LS e o inventário censitário de uma plantação de um híbrido de E. torelliana × C. citriodora de 7 anos de 1,25 ha localizado na Fazenda Experimental Lageado da Faculdade de Ciências Agronômicas (FCA/UNESP) em Botucatu. Após amostragem e seleção das árvores-amostra, houve a determinação da densidade básica da madeira ponderada pelo volume, e determinação indireta da biomassa seca de fuste e ajuste do modelo alométrico de Schumacher-Hall. A partir do georreferenciamento dos indivíduos arbóreos e tratamento dos dados da nuvem de pontos LiDAR no programa computacional R, houve a extração das métricas de altura a nível de árvore individual, que ainda foram selecionadas pela análise de componentes principais (PCA). Por último, os modelos de aprendizado de máquina foram testados em ambiente Python, ranqueados e comparados pelo coeficiente de determinação ajustado e erro quadrático médio. A melhor janela para individualização das árvores foi a de 2 m, com um erro relativo de 11,9 %. Os modelos de aprendizado de máquina baseados na lógica de “Árvores de decisão” foram os que apresentaram melhor ajuste (R²aj >0,85 e RMSE < 15%) para a população de treinamento, sendo possível obter modelos com elevada performance de ajuste a nível de árvore individual para as condições presentes nesse estudo.