Engenharia Florestal (Sede)
URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/15
Siglas das Coleções:
APP - Artigo Publicado em Periódico
TAE - Trabalho Apresentado em Evento
TCC - Trabalho de Conclusão de Curso
Navegar
1 resultados
Resultados da Pesquisa
Item Uso de machine learning e sensoriamento remoto para a identificação da floresta tropical sazonalmente seca no Parque Nacional do Catimbau(2021-01-20) Monteiro Junior, José Jorge; Alba, Elisiane; El-Deir, Soraya Giovanetti; http://lattes.cnpq.br/3202139188457904; http://lattes.cnpq.br/1465154212352591; http://lattes.cnpq.br/0911037640720248A classificação de florestas tropicais sazonalmente secas é um dos maiores desafios das análises ambientais por sensoriamento remoto, tendo em vista as características fitofisionômicas da floresta que se assemelham remotamente das características do solo exposto, gerando erros amostrais em estudos de monitoramento florestal. O objetivo deste trabalho foi utilizar-se do aprendizado de máquinas para entender a dinâmica de uso e cobertura da terra no Parque Nacional do Catimbau nos períodos de maior precipitação (úmido) e menor precipitação (seco) a partir do imageamento LANDSAT. O trato metodológico ocorreu a partir da obtenção de dados Landsat no ano de 2019 para o período úmido e período seco, os dados brutos foram pré processados em sistemas de informação geográficos a fim de (i) selecionar bandas; (ii) delimitar área de estudo; (iii) executar a correção atmosférica; e (iv) fazer a junção das bandas de satélite (bandset). Foi criado um shapefile para treinamento dos algoritmos de aprendizado de máquina contendo amostras das classes encontradas na área de estudo, estas sendo, as fitofisionomias arbórea-arbustiva e arbustiva-herbácea, áreas antropizadas, solo exposto, e outras áreas (i.e. nuvens, componentes hídricos, rodovias). No software R foram utilizados os algoritmos tanto para a classificação supervisionada (com base na validação cruzada, método k-fold e teste de Friedman e Nemenyi) quanto para a espacialização dos dados utilizando os algoritmos citados. Com os metodos descritos foi possível observar que os valores de NDVI fomentaram a ideia de que a fitofisionomia arbustiva-herbácea apresenta reflectância similiar ao solo exposto em algumas áreas no período seco. No período úmido, o algoritmo kNN apresentou melhor performance na diferenciação das classes e identificação da vegetação (Kappa = 0,9887). Já no período seco, os algoritmos kNN, SVM e ANN não apresentaram diferenças estatísticas significativas quanto a sua performance, sendo estes considerados bons classificadores para o período (Kappa = 0,9965;0,9973;0,9962, respectivamente). Portanto, o presente estudo trouxe inovação no uso de técnicas de Inteligência Artificial para a solução de problemas no monitoramento, manejo e administração de florestas tropicais sazonalmente secas com dados remotos. Sendo um método alternativo para identificar, de forma rápida e econômica, as mudanças na estrutura florestal.