Extraction of structural variables using LiDAR data combined with hyperspectral images for classification of upper canopy tree species in Brazilian Atlantic Forest

• Ano de defesa: 2021
• Autor(a) principal: Martins Neto, Rorai Pereira [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Tropical forests; Forest modelling; Forest inventory; Diversity; Airborne laser scanner; Peak returns; Full-waveform analysis; Software DASOS; Machine learning; R programming; Hyperspectral remote sensing; Tree species identification; Florestas tropicais; Modelagem florestal; Inventário florestal; Diversidade; Varredura laser aerotransportada; Retornos de pico; Análise da forma de onda completa; Aprendizado de máquina; Programação em R; Sensoriamento remoto hiperespectral; Identificação de espécies arbóreas
• Link de acesso: http://hdl.handle.net/11449/215634

O objetivo principal desta tese foi explorar os dados LiDAR para estimar variáveis de inventário florestal e de diversidade em um remanescente de Floresta Estacional Semidecidual, também conhecida como Mata Atlântica de interior, uma das fitofisionomias mais degradadas da Mata Atlântica. Além disso, a fusão de dados LiDAR com imagens hiperespectrais para classificação de espécies do dossel superior também foi abordada. Os dados LiDAR foram entregues como retornos de pico (PR) e forma de onda completa (FWF) e em duas alturas de voo (900 m e 2000 m), e as imagens hiperespectrais foram coletadas por uma câmera leve de baixo custo. Apesar das intervenções ao longo dos anos a área de estudo, o remanescente florestal Ponte Branca apresenta bom estado de conservação, com presença de espécies pioneiras até clímax. Foram extraídas métricas LiDAR com os PR no voo de 900 m de altura. Métodos de seleção de variáveis e técnicas de aprendizado de máquina foram testados para estimar parâmetros de inventário florestal e de diversidade. As novas variáveis geradas pela transformação das métricas por meio da Análise de Componentes Principais (PCA) e a técnica das redes neuras artificiais (ANN) foi a combinação que melhor estimou os parâmetros florestais. A comparação dos atributos extraídos por uma abordagem baseada em voxel, disponível no software DASOS, foi para para dados de PR e FWF. A comparação das estimativas de variáveis florestais com dados obtidos nas duas diferentes alturas de voo também foi realizada. Os dados FWF estimaram as variáveis com menos tendencia que os dados de PR. Oito espécies presentes no dossel superior foram classificadas usado os seguintes dados: PR LiDAR, FWF LiDAR e imagens hiperespectrais, usados isoladamente e combinados entre si. As métricas PR LiDAR transformadas pelas PCA combinados com os índices de vegetação obtidos por imagens hiperespectrais, proporcionaram a melhor precisão na classificação das espécies arbóreas, com uma acurácia global de 62,8%. Os dados LiDAR, especialmente os FWF LiDAR, apresentaram um grande potencial para a caracterização de florestas tropicais, especialmente usando a abordagem baseada em voxel implementada no software DASOS. A combinação de dados PR LiDAR com os índices de vegetação das imagens hiperespectrais melhorou a precisão da classificação.