Mapeamento da biomassa acima do solo na bacia do Rio Grande utilizando dados de sensoriamento remoto e aprendizado de máquina
A biomassa acima do solo (BAS) é um dos reservatórios de carbono mais dinâmicos do ecossistema terrestre, mas pouco se sabe sobre sua distribuição espacial. Atualmente, os métodos mais precisos para a quantificação da BAS são caros, demorados e limitados à pequenas áreas. Neste cenário, o sensoriame...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2022 |
| País: | Brasil |
| Institución: | Universidade Federal de Lavras (UFLA) |
| Repositorio: | Repositório Institucional da UFLA |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.ufla.br:1/50913 |
| Acceso en línea: | https://repositorio.ufla.br/handle/1/50913 |
| Access Level: | acceso abierto |
| Palabra clave: | Recursos Florestais e Engenharia Florestal Biomassa acima do solo Rio Grande Sensoriamento remoto Aboveground biomass Remote sensing |
| Sumario: | A biomassa acima do solo (BAS) é um dos reservatórios de carbono mais dinâmicos do ecossistema terrestre, mas pouco se sabe sobre sua distribuição espacial. Atualmente, os métodos mais precisos para a quantificação da BAS são caros, demorados e limitados à pequenas áreas. Neste cenário, o sensoriamento remoto (SR) aparece como uma ferramenta promissora, fornecendo cobertura espacial e temporalsuficiente para o monitoramento contínuo e de baixo custo da BAS em grandes áreas. O objetivo deste trabalho foi realizar o mapeamento da BAS na bacia do Rio Grande, Minas Gerais, a partir de dados multissensores de SR, como informações das bandas B2-5 (reflectância de superfície) e B10 (temperatura de superfície) dos sensores OLI e TIRS do satélite Landsat 8 (L8), dados de radar de abertura sintética (SAR) do Sentinel-1A (S1) e dados do modelo digital de elevação SRTM. Nós também utilizamos dados derivados destes, como cinco índices de vegetação (NDVI, SAVI, DVI, ARVI e EVI) e 18 medidas de textura derivadas da matriz de coocorrência de níveis de cinza (GLCM), usando uma janela de 3 x 3 pixels. Para realizar a modelagem e o mapeamento da BAS, foi utilizado o algoritmo de aprendizado de máquina Random Forest. Utilizou-se o método de validação cruzada aninhada e a métrica Root Mean Square Error (RMSE) para medir o desempenho do modelo, que apresentou o valor de 48,79 Mg.ha-1 (44,22%). A otimização dos hiperparâmetros mtry (22), sample.fraction (0,22) e min.node.size (10) foi realizada utilizando o método da busca aleatória. Os resultados encontrados reforçaram a importância do uso de dados de diferentes sensores e domínios (espectral e espacial) na modelagem da BAS. O índice de vegetação ARVI foi a variável mais importante para o modelo. No entanto, a variável não conseguiu captar a alteração da BAS em áreas de vegetação mais densa, com valores de BAS próximos a 114 Mg.ha-1 . A elevação e as medidas de textura dissimilarity e sum entropy, associadas à polarização VH (S1) e ao índice de vegetação DVI (L8), foram essenciais para mitigar o efeito da saturação dos dados. |
|---|