Discriminação entre Organossolos e Gleissolos sob floresta na planície fluvial do baixo rio Ribeira de Iguape (SP) por meio de LiDAR (Light Detection and Ranging) e uso de algoritmo de Machine Learning
| Ano de defesa: | 2025 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://www.teses.usp.br/teses/disponiveis/11/11140/tde-08052025-163610/ |
Resumo: | As áreas úmidas tropicais contribuem para a manutenção de diferentes serviços ecossistêmicos. As turfeiras de baixa altitude são ecossistemas de áreas úmidas compostas por Organossolos sob Florestas Paludosas. A dificuldade de caminhamento e os padrões homogêneos de dossel florestal observados em imagens de satélite e fotografias aéreas dificultam o seu mapeamento. Por esse motivo, a real extensão dos Organossolos é omitida por estarem mapeados em associação a Gleissolos. O objetivo geral deste trabalho foi explorar o potencial de métricas LiDAR para identificar padrões estruturais de Floresta Paludosa associados a Organossolos, que os diferenciem de Gleissolos na porção sul da Planície Costeira do Estado de São Paulo. Para isso, foram delimitadas 14 parcelas em uma área de vegetação conservada com Organossolos de espessuras diferentes e Gleissolo. A partir disso, foram extraídas métricas derivadas da Nuvem de Pontos LiDAR relativas à estrutura do dossel e mensurada a sua importância com o algoritmo Random Forest. Posteriormente, foi gerado um modelo de classificação supervisionada com uso do mesmo algoritmo. Por fim, a Análise de Redundância (RDA) correlacionou as métricas LiDAR com os macronutrientes e pH do solo. Os resultados indicam que o LiDAR acoplado a RPAS é uma ferramenta promissora para identificar Organossolos, frequentemente mapeados em associação aos Gleissolos. A estrutura da floresta se distingue entre solos minerais e orgânicos, principalmente em relação à cobertura do dossel. Além disso, as métricas LiDAR estão associadas principalmente com o tempo de permanência do lençol freático e pH. |
| id |
USP_c73929cfcbd01d0ddda79fc13c361e35 |
|---|---|
| oai_identifier_str |
oai:teses.usp.br:tde-08052025-163610 |
| network_acronym_str |
USP |
| network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
| repository_id_str |
|
| spelling |
Discriminação entre Organossolos e Gleissolos sob floresta na planície fluvial do baixo rio Ribeira de Iguape (SP) por meio de LiDAR (Light Detection and Ranging) e uso de algoritmo de Machine LearningDiscrimination of Histosols and Gleysols under forest in the Fluvial Plain of the lower Ribeira de Iguape river (SP) using LiDAR (Light Detection and Ranging) and a machine learning algorithmLowland peatlandsMétricas estruturaisRandom forestRandom forestRemote sensingSensoriamento remotoStructural metricsTurfeiras de baixa altitudeAs áreas úmidas tropicais contribuem para a manutenção de diferentes serviços ecossistêmicos. As turfeiras de baixa altitude são ecossistemas de áreas úmidas compostas por Organossolos sob Florestas Paludosas. A dificuldade de caminhamento e os padrões homogêneos de dossel florestal observados em imagens de satélite e fotografias aéreas dificultam o seu mapeamento. Por esse motivo, a real extensão dos Organossolos é omitida por estarem mapeados em associação a Gleissolos. O objetivo geral deste trabalho foi explorar o potencial de métricas LiDAR para identificar padrões estruturais de Floresta Paludosa associados a Organossolos, que os diferenciem de Gleissolos na porção sul da Planície Costeira do Estado de São Paulo. Para isso, foram delimitadas 14 parcelas em uma área de vegetação conservada com Organossolos de espessuras diferentes e Gleissolo. A partir disso, foram extraídas métricas derivadas da Nuvem de Pontos LiDAR relativas à estrutura do dossel e mensurada a sua importância com o algoritmo Random Forest. Posteriormente, foi gerado um modelo de classificação supervisionada com uso do mesmo algoritmo. Por fim, a Análise de Redundância (RDA) correlacionou as métricas LiDAR com os macronutrientes e pH do solo. Os resultados indicam que o LiDAR acoplado a RPAS é uma ferramenta promissora para identificar Organossolos, frequentemente mapeados em associação aos Gleissolos. A estrutura da floresta se distingue entre solos minerais e orgânicos, principalmente em relação à cobertura do dossel. Além disso, as métricas LiDAR estão associadas principalmente com o tempo de permanência do lençol freático e pH.Tropical wetlands contribute to the maintenance of various ecosystem services. Low-altitude peatlands are wetland ecosystems composed of Histosols beneath Swamp Forests. The difficulty of traversing these areas and the homogeneous forest canopy patterns observed in satellite images and aerial photographs complicate their mapping. For this reason, the true extent of Histosols is often omitted as they are mapped in association with Gleysols. The general objective of this study was to explore the potential of LiDAR metrics to identify structural patterns of Swamp Forest associated with Histosols that differentiate them from Gleysols in the southern portion of the Coastal Plain of São Paulo State. For this purpose, 14 plots were delimited in an area of conserved vegetation with Histosols of different thicknesses and Gleysols. LiDAR Point Cloud metrics related to canopy structure were extracted and their importance was measured using the Random Forest algorithm. Subsequently, a supervised classification model was generated using the same algorithm. Finally, Redundancy Analysis (RDA) correlated LiDAR metrics with soil macronutrients and pH. The results indicate that LiDAR coupled with RPAS is a promising tool for identifying Histosols, frequently mapped in association with Gleysols. The forest structure differs between mineral and organic soils, mainly in relation to canopy cover. Additionally, LiDAR metrics are primarily associated with water table residence time and pH.Biblioteca Digitais de Teses e Dissertações da USPTorrado, Pablo VidalRodrigues, Ana Paula Dechen2025-02-19info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/11/11140/tde-08052025-163610/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2025-05-09T20:39:02Zoai:teses.usp.br:tde-08052025-163610Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212025-05-09T20:39:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
| dc.title.none.fl_str_mv |
Discriminação entre Organossolos e Gleissolos sob floresta na planície fluvial do baixo rio Ribeira de Iguape (SP) por meio de LiDAR (Light Detection and Ranging) e uso de algoritmo de Machine Learning Discrimination of Histosols and Gleysols under forest in the Fluvial Plain of the lower Ribeira de Iguape river (SP) using LiDAR (Light Detection and Ranging) and a machine learning algorithm |
| title |
Discriminação entre Organossolos e Gleissolos sob floresta na planície fluvial do baixo rio Ribeira de Iguape (SP) por meio de LiDAR (Light Detection and Ranging) e uso de algoritmo de Machine Learning |
| spellingShingle |
Discriminação entre Organossolos e Gleissolos sob floresta na planície fluvial do baixo rio Ribeira de Iguape (SP) por meio de LiDAR (Light Detection and Ranging) e uso de algoritmo de Machine Learning Rodrigues, Ana Paula Dechen Lowland peatlands Métricas estruturais Random forest Random forest Remote sensing Sensoriamento remoto Structural metrics Turfeiras de baixa altitude |
| title_short |
Discriminação entre Organossolos e Gleissolos sob floresta na planície fluvial do baixo rio Ribeira de Iguape (SP) por meio de LiDAR (Light Detection and Ranging) e uso de algoritmo de Machine Learning |
| title_full |
Discriminação entre Organossolos e Gleissolos sob floresta na planície fluvial do baixo rio Ribeira de Iguape (SP) por meio de LiDAR (Light Detection and Ranging) e uso de algoritmo de Machine Learning |
| title_fullStr |
Discriminação entre Organossolos e Gleissolos sob floresta na planície fluvial do baixo rio Ribeira de Iguape (SP) por meio de LiDAR (Light Detection and Ranging) e uso de algoritmo de Machine Learning |
| title_full_unstemmed |
Discriminação entre Organossolos e Gleissolos sob floresta na planície fluvial do baixo rio Ribeira de Iguape (SP) por meio de LiDAR (Light Detection and Ranging) e uso de algoritmo de Machine Learning |
| title_sort |
Discriminação entre Organossolos e Gleissolos sob floresta na planície fluvial do baixo rio Ribeira de Iguape (SP) por meio de LiDAR (Light Detection and Ranging) e uso de algoritmo de Machine Learning |
| author |
Rodrigues, Ana Paula Dechen |
| author_facet |
Rodrigues, Ana Paula Dechen |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Torrado, Pablo Vidal |
| dc.contributor.author.fl_str_mv |
Rodrigues, Ana Paula Dechen |
| dc.subject.por.fl_str_mv |
Lowland peatlands Métricas estruturais Random forest Random forest Remote sensing Sensoriamento remoto Structural metrics Turfeiras de baixa altitude |
| topic |
Lowland peatlands Métricas estruturais Random forest Random forest Remote sensing Sensoriamento remoto Structural metrics Turfeiras de baixa altitude |
| description |
As áreas úmidas tropicais contribuem para a manutenção de diferentes serviços ecossistêmicos. As turfeiras de baixa altitude são ecossistemas de áreas úmidas compostas por Organossolos sob Florestas Paludosas. A dificuldade de caminhamento e os padrões homogêneos de dossel florestal observados em imagens de satélite e fotografias aéreas dificultam o seu mapeamento. Por esse motivo, a real extensão dos Organossolos é omitida por estarem mapeados em associação a Gleissolos. O objetivo geral deste trabalho foi explorar o potencial de métricas LiDAR para identificar padrões estruturais de Floresta Paludosa associados a Organossolos, que os diferenciem de Gleissolos na porção sul da Planície Costeira do Estado de São Paulo. Para isso, foram delimitadas 14 parcelas em uma área de vegetação conservada com Organossolos de espessuras diferentes e Gleissolo. A partir disso, foram extraídas métricas derivadas da Nuvem de Pontos LiDAR relativas à estrutura do dossel e mensurada a sua importância com o algoritmo Random Forest. Posteriormente, foi gerado um modelo de classificação supervisionada com uso do mesmo algoritmo. Por fim, a Análise de Redundância (RDA) correlacionou as métricas LiDAR com os macronutrientes e pH do solo. Os resultados indicam que o LiDAR acoplado a RPAS é uma ferramenta promissora para identificar Organossolos, frequentemente mapeados em associação aos Gleissolos. A estrutura da floresta se distingue entre solos minerais e orgânicos, principalmente em relação à cobertura do dossel. Além disso, as métricas LiDAR estão associadas principalmente com o tempo de permanência do lençol freático e pH. |
| publishDate |
2025 |
| dc.date.none.fl_str_mv |
2025-02-19 |
| 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 |
https://www.teses.usp.br/teses/disponiveis/11/11140/tde-08052025-163610/ |
| url |
https://www.teses.usp.br/teses/disponiveis/11/11140/tde-08052025-163610/ |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.none.fl_str_mv |
|
| dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.coverage.none.fl_str_mv |
|
| dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
| publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
| dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
| instname_str |
Universidade de São Paulo (USP) |
| instacron_str |
USP |
| institution |
USP |
| reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
| collection |
Biblioteca Digital de Teses e Dissertações da USP |
| repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
| repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
| _version_ |
1844786330391805952 |