Integração de dados de sensoriamento remoto para a estimativa de área basal, volume e biomassa em ecossistemas florestais

Orientador: Prof. Dr. Carlos Roberto SanquettaCoorientadoras: Prof (a). Dr (a). Ana Paula Dalla Corte, Dra. Naiara PintoTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Agrárias, Programa de Pós-Graduação em Engenharia Florestal. Defesa : Curitiba, 03/04/2020Inclui referências: p.114-125Área de concentração: Manejo FlorestalResumo: Para o adequado manejo das florestas, faz-se necessária a quantificação de métricas que a descrevam, tais como a área basal, volume e biomassa. Tendo essa necessidade, o objetivo do presente estudo é analisar o potencial em estimar de forma indireta variáveis dendrométricas a partir de dados obtidos por sensoriamento remoto (Radar Polarimétrico de Abertura Sintética (PolSar) e multiespectral), bem como, o potencial de cada variável e sua integração. Este trabalho foi constituído de dois estudos de caso. No primeiro estudo de caso, tendo os dados de 192 parcelas ajustou-se modelos de regressão linear e aprendizado de máquina para estimar a área basal, volume e biomassa aérea de plantações de eucalipto com diferentes idades. Como variáveis independentes utilizou-se da idade do povoamento, dados PolSar em banda C (satélite SENTINEL-1) e L (ALOS/PALSAR-2), assim como as derivações que originaram a textura e índices polarimétricos, imagens multiespectrais (SENTINEL-2) e índices de vegetação. O segundo estudo de caso consistiu em estimar a biomassa florestal de parte da floresta amazônica. Como variável dependente da modelagem utilizou-se do valor de biomassa aérea de 286 parcelas, cuja biomassa foi calculada a partir de métricas obtidas por LiDAR. Como variáveis de entrada utilizou-se da integração de dados de livre acesso, sendo eles PolSar de banda C oriundo do satélite SENTINEL-1, banda L oriunda do mosaico global do satélite ALOS/PALSAR-2, textura e índices polarimétricos obtidos das bandas C e L, imagens multiespectrais (SENTINEL-2) e índices de vegetação derivados. A modelagem com aprendizado de máquina para as duas áreas de estudo foi realizada com cinco modelos, sendo: Model Tree, Random Forest, Weighted K-Nearest Neighbor, Artificial Neural Network e Support Vector Regression. Em ambos os estudos de caso, buscou-se avaliar a influência da composição de diferentes conjuntos de dados de entrada (tratamentos) para a modelagem. Para os povoamentos de eucalipto verificou-se que a integração das bandas C e L constituíram modelos mais precisos do que a sua utilização separadamente e essa combinação PolSar foi superior ao modelar a área basal. Os erros foram maiores ao estimar o volume e biomassa aérea, mesmo assim foi necessário o uso de todas as informações PolSar e imagens multiespectrais para a sua modelagem. Utilizou-se de todo o conjunto de dados para estimar as variáveis dendrométricas por aprendizado de máquina e verificou-se que o modelo de melhor desempenho foi o Random Forest (R² > 0,79 e SYX 0.79 and SYX