Classificação dos estágios de sucessão da Floresta Atlântica utilizando dados multiplataforma orbitais e ALS

• Ano de defesa: 2022
• Autor(a) principal: Ziegelmaier Neto, Bill Herbert
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Vegetação - Mapeamento; Imagens de sensoriamento remoto; Radar óptico; Levantamentos florestais
• Link de acesso: https://repositorio.udesc.br/handle/UDESC/16938

Os levantamentos de informações sobre a estrutura da vegetação de forma convencional demandam alto custos financeiros e tempo de execução devido à grande heterogeneidade e quantidade de indivíduos arbóreos em florestas tropicais. Assim, faz-se necessário a utilização de tecnologias para a obtenção de informações dessas florestas, como as ferramentas de sensoriamento remoto que não necessitam de visitas a campo combinadas com métodos de machine learning (ML), possibilitando extrair o potencial máximo dos dados remotamente situados, para o auxílio do monitoramento da diversidade florestal. Além disso é possível empregar a transferência de aprendizagem (TA) que utiliza um modelo já treinado para a classificação de outra área, reduzindo o tempo necessário para ajustar o modelo. Contudo, para isso, é necessária criar uma abordagem que vise obter uma classificação com resultados satisfatórios utilizando dados de imagens orbitais e de Light Detection and Ranging (LiDAR). Esse estudo tem como objetivo avaliar a precisão da classificação dos estágios de sucessão da vegetação a partir de técnicas de ML e TA. Para isso, foram utilizados dados multiplataforma de sensoriamento remoto, sendo esses as imagens dos satélites orbitais CBERS-4A, Sentinel 2, Landsat-8 e Planet em conjunto com dados LiDAR. As áreas de estudos encontram-se nos municípios de Bocaina do Sul, Bom Retiro, Painel, Santa Cecília e Urupema - Santa Catarina, todas pertencentes ao Bioma Mata Atlantica. Foram derivadas as informações para a criação dos datasets utilizando as imagens multiplataforma orbitais e os dados do Lidar. Então, foram treinados os algoritmos Random Trees (RT), Support Vector Machine (SVM) e Maximum Likelihood Classifier (MLC) para a classificação de uma das áreas de estudo. As demais áreas foram classificadas usando TA e classificação das imagens. A avaliação de acurácia dos resultados foi realizada gerando matrizes de confusão, com as quais foi possível computar o índice Kappa, desvio padrão e intervalo de confiança com 5% de significância. Como resultados, obtiveram-se Kappas variando de 0,49 a 0,95 para a classificação normal e 0 a 0,70 para a transferência de aprendizagem. Os dados derivados do sensor orbital Landsat-8 juntamente de dados LiDAR apresentaram os melhores resultados para o treinamento dos modelos, já para a TA os dados derivados do Sentinel-2 e LiDAR obtiveram melhor acurácia. Para treinar os modelos, o classificador SVM se apresentou melhor, porém quando aplicada a TA, nenhum dos classificador se destacou dos demais. Nosso estudo mostrou que é possível a utilização do ML e TA para a classificação dos estágios de sucessão da vegetação, auxiliando na obtenção de informações sobre a estrutura florestal de forma remota.