Detalhes bibliográficos
| Ano de defesa: |
2020 |
| Autor(a) principal: |
Silva, Gabriela Oliveira |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| 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://repositorio.udesc.br/handle/UDESC/16120
|
Resumo: |
O emprego de técnicas de Sensoriamento Remoto para o mapeamento de estágios de sucessão e de espécies arbóreas em florestas constitui-se em um grande desafio. Isto em função da alta diversidade florística e espectral nesses locais. Neste contexto, verifica-se o advento e a evolução de tecnologias de sensores remotamente situados e que são aplicadas ao monitoramento dos recursos florestais. As plataformas espaciais e aéreas dispõem dados espaciais e espectrais com elevada resolução que associadas a técnicas de inteligência artificial constituem-se em ferramentas auxiliares a resolução deste desafio. Esta dissertação pesquisou metodologias e técnicas para o processamento de imagens aéreas de ultra alta resolução espacial obtidas a partir de veículos aéreos não tripulados (VANTs). Este estudo investigou dois tópicos principais relacionados aos estágios sucessionais e mapeamento de espécies arbóreas em um ambiente de floresta subtropical no sul do Brasil. O processamento fotogramétrico foi implementado no aplicativo Agisoft PhotoScan produzindo-se modelos digitais tridimensionais e ortomosaicos digitais. As nuvens de pontos fotogramétricos foram processadas com o algoritmo LasTools para derivação do Canopy Height Model (CHM). Para auxiliar na classificação da sucessão vegetal foram calculados índices de vegetação combinados as bandas espectrais no espectro visível. Foram testados os classificadores Suport Vector Machine (SVM), Random Tree (RT) e Maximum Likehood Classifier (MLC). Para avaliação das classificações foi calculada a matriz de confusão e índice Kappa, além da comparação com a classificação manual. Para a contagem do número de espécies foi calculado o GLCM (Grey Level Co-occurrence Matrix) do ortomosaico digital no espectro visível. Essas matrizes de co ocorrência foram associadas com as bandas vermelha e verde e, então, segmentadas no aplicativo GEODMA. As métricas dos segmentos foram importadas no aplicativo WEKA. O algoritmo Cluster Simple EM (expectation maximizations) calculou automaticamente o número de espécies a partir dos atributos fornecidos. A contagem automática dos indivíduos arbóreos foi validada com a fotointerpretação manual dos mosaicos. Os resultados para a classificação de estágio de sucessão que apresentou melhor resultado foi a que utilizou o DTM (Modelo Digital de Elevação) associado às bandas vermelha e verde, com o classificador RT, com um índice kappa de 94,57%. A variável textural que apresentou os melhores resultados para a contagem do número de espécies arbóreas foi a dissimilaridade do nível de cinza das bandas RGB. O estudo demonstrou ser possível a classificação de estágios de sucessão da vegetação de forma automática com resultados classificados como excelentes. As variáveis texturais demonstraram influenciar positivamente na contagem automática do número de espécies presentes no dossel superior. |
