Detecção de espécies arbóreas em floresta estacional semidecidual por sensoriamento remoto hiperespectral e modelagem de transferência radiativa

• Ano de defesa: 2017
• Autor(a) principal: Matheus Pinheiro Ferreira
• Orientador(a): Yosio Edemir Shimabukuro, Carlos Roberto de Souza Filho
• Banca de defesa: Luiz Eduardo Oliveira de Cruz de Aragão, Teodoro Isnard Ribeiro de Almeida, Thiago Sanna Freire Silva
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Sensoriamento Remoto
• País: BR
• Resumo em Inglês: Accurately mapping the spatial distribution of tree species in tropical environments provides valuable insights for ecologists and forest managers. This process may play an important role in reducing fieldwork costs, monitoring changes in canopy biodiversity, and locating parent trees to collect seeds for forest restoration efforts. However, mapping tree species in tropical forests with remote sensing data is a challenge because of high floristic and spectral diversity. The main objective of this study was to explore the use of experimental and simulated multi and hyperspectral remotely sensed data for tree species discrimination and mapping in a tropical seasonal semi-deciduous forest. Specifically we aimed: (i) to evaluate the performance of machine learning methods in the discrimination of tree species of the study area; (ii) to identify spectral regions and bands, in 450-2400 nm range, suitable for species classification; (iii) to evaluate the use of narrow band vegetation indices in species discrimination; (iv) to quantify within- and among-species spectral variability as well as its influence on species classification; (v) develop a method for tree species mapping at the individual tree level; (vi) to develop a modeling approach to simulate the spectral response of the species at the canopy level using three-dimensional (3D) radiative transfer modeling and (vii) to compare simulated and measured spectral responses of the species. Three classifiers were tested to discriminate eight tree species: Linear Discriminant Analysis (LDA), Support Vector Machines with linear kernel (L-SVM) and radial base function (RBF-SVM) and Random Forest (RF). An average classification accuracy of 70\% was obtained when using the visible/near-infrared bands (VNIR, 450-919 nm). The inclusion of short-wave infrared (SWIR, 1045-2400 nm) bands changed the accuracy to 84\%. Narrow-band vegetation indices were also tested and increased the classification accuracy by up to 5\% when combined with VNIR features. Experimental and simulated data of the WorldView-3 (WV-3) sensor were used for classification purposes. While the simulated VNIR sensor bands provided an accuracy of 57.4\%, the VNIR + SWIR set increased accuracy to 74.8\%. This pattern was also observed in the classification of experimental WV-3 data (increase of 3.2\% after inclusion of SWIR bands). The degree of overlap between the within- and among-species spectral variability influenced the classifications. The developed tree mapping method produced reliable maps of the spatial distribution of the species and increased accuracy in relation to pixel-level classifications by up to 6\%. The use of a reduced set of hyperspectral bands did not significantly affect the classification accuracies but allowed us to depict the most important wavelengths to discriminate the species. These wavelengths were located around the green reflectance peak (550 nm), at the red absorption feature (650 nm) and in the SWIR range at 1200, 1700, 2100 and 2300 nm. The spectral response of the species in the VNIR was accurately simulated by the Discrete Anisotropic Radiative Transfer (DART) model that operates in 3D. By means of a simplified crown structure, the spectral response of the species at the top of the canopy was simulated with an error of 1.5\%. The inversion of the model in the hyperspectral image provided statistical significant relationships (R$^{²}$=0.65) between chlorophyll content (C$_{ab}$) and MCARI (Modified Chlorophyll Absorption in Reflectance Index), being C$_{ab}$ statistically different among the species. The developed modeling approach can be used to simulate hyperspectral acquisitions of tropical forests.
• Link de acesso: http://urlib.net/sid.inpe.br/mtc-m21b/2017/05.13.00.14

O mapeamento da distribuição espacial de espécies arbóreas em ambientes tropicais fornece informações valiosas para ecólogos e gestores florestais. Esse procedimento pode reduzir custos com trabalhos de campo, auxiliar o monitoramento da diversidade florística do dossel e auxiliar a localização de árvores matrizes para a coleta de sementes em iniciativas de restauração florestal. Entretanto, a detecção de espécies arbóreas em florestas tropicais com dados de sensoriamento remoto é um desafio devido à elevada diversidade espectral e florística. O objetivo principal desta pesquisa de doutorado foi explorar a utilização de dados reais e simulados de sensoriamento remoto multi e hiperespectral para mapear e classificar espécies arbóreas da Floresta Estacional Semidecidual. Os objetivos específicos incluíram: (i) avaliar o desempenho de métodos estatísticos de classificação na discriminação de espécies arbóreas da área de estudo; (ii) identificar regiões e bandas espectrais, no intervalo de 450 a 2400 nm, propícias à classificação das espécies; (iii) avaliar a utilização de índices de vegetação de bandas estreitas na discriminação das espécies; (iv) quantificar a variabilidade espectral intra e interespecífica, bem como sua influência, na classificação das espécies; (v) desenvolver um método para o mapeamento automático das espécies ao nível de árvores individuais; (vi) desenvolver uma abordagem de simulação da resposta espectral das espécies ao nível de dossel a partir da utilização de modelagem de transferência radiativa em três dimensões (3D) e (vii) comparar a resposta espectral simulada e medida das espécies. Três métodos de classificação supervisionada foram testados para discriminar oito espécies arbóreas: Análise Discriminante Linear (LDA), Support Vector Machines com kernel linear (L-SVM) e função de base radial (RBF-SVM) e Random Forest (RF). Uma exatidão de classificação média de 70\% foi obtida ao se utilizar as bandas do visível/infravermelho próximo (VNIR, 450-919 nm). A inclusão de bandas do infravermelho de ondas curtas (SWIR, 1045-2400 nm) elevaram a exatidão para 84\%. Índices de vegetação de bandas estreitas também foram testados e elevaram a exatidão em 5\% quando combinados a bandas do VNIR. Dados reais e simulados do sensor WorldView-3 (WV-3) foram utilizados para fins de classificação. Enquanto as bandas VNIR simuladas de sensor forneceram uma exatidão de 57,4\%, o conjunto VNIR+SWIR aumentou a exatidão para 74,8\%. Este padrão se manteve na classificação de dados WV-3 reais (aumento de 3,2 \% após a inclusão de bandas SWIR). O grau de sobreposição das variabilidades intra e interespecífica influenciou diretamente as classificações. O método para mapeamento de árvores desenvolvido produziu mapas fidedignos da distribuição espacial das espécies e elevou a exatidão em relação às classificações ao nível de pixel em até 6\%. Um procedimento de seleção de atributos baseado em regressão stepwise identificou bandas localizadas ao redor do pico do verde (550 nm), na feição de absorção do vermelho (650 nm) e no SWIR em 1200, 1700, 2100 e 2300 nm, como úteis para discriminar as espécies. A resposta espectral das espécies no VNIR foi acuradamente simulada pelo modelo Discrete Anisotropic Radiative Transfer (DART) que opera em três dimensões (3D). Por meio de uma estrutura simplificada da copa, a resposta espectral das espécies no topo do dossel foi simulada com até 1,5\% de erro quadrático médio. A inversão do modelo na imagem hiperespectral gerou relações estatísticas significantes (R$^{²}$=0,65) entre o conteúdo de clorofila (C$_{ab}$) e o índice MCARI (Modified Chlorophyll Absorption in Reflectance Index), sendo C$_{ab}$ estatisticamente diferente entre as espécies. A abordagem de simulação desenvolvida pode ser utilizada para reproduzir aquisições hiperespectrais de florestas tropicais.