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
4 resultados
Resultados da Pesquisa
Item Sensoriamento remoto utilizado em restauração florestal: uma revisão de literatura(2025-03-21) Soares, Joseph da Silva; Lima Neto, Everaldo Marques de; Melo, Lorena de Moura; http://lattes.cnpq.br/1486808425687522; http://lattes.cnpq.br/6791561445213969; http://lattes.cnpq.br/6734386135151391A restauração florestal tornou-se uma estratégia fundamental para mitigar os impactos ambientais, promover a recuperação da biodiversidade e restaurar serviços os ecossistêmicos. No entanto, o monitoramento contínuo dessas áreas ainda enfrenta desafios tecnológicos, operacionais e econômicos, dificultando a avaliação da eficácia das iniciativas de restauração. Nesse contexto, o sensoriamento remoto surge como uma ferramenta inovadora e promissora para o monitoramento da restauração florestal, permitindo análises em larga escala com menor dependência de pesquisas de campo. Este estudo tem como objetivo analisar o uso do sensoriamento remoto no monitoramento contínuo da restauração florestal por meio de revisão bibliográfica, identificando as potencialidades, desafios no acompanhamento das áreas e na avaliação da eficácia das iniciativas de restauração. A metodologia consiste em uma revisão de literatura sobre o uso do sensoriamento remoto na restauração florestal, focando em estudos de 2000 a 2025. Foram selecionados artigos que correlacionaram sensoriamento remoto ao monitoramento de restauração, abordando eficácia, dificuldades técnicas e aplicações práticas. Os resultados indicaram que os avanços tecnológicos na área do sensoriamento remoto melhoraram a precisão do monitoramento, aprimorando a detecção de mudanças na vegetação e facilitando a avaliação do sucesso da restauração. No entanto, desafios como variações metodológicas, dificuldades de diferenciação de espécies, limitações de resolução espacial e interferência atmosférica ainda afetam a eficiência da geotecnologia. Além disso, a falta de métodos padronizados de análise de dados dificulta a comparação de resultados entre diferentes iniciativas. A integração de múltiplas fontes de dados, com algoritmos de aprendizado de máquina, tem se mostrado uma alternativa viável para superar essas limitações, otimizando a precisão das análises e tornando o monitoramento mais acessível e eficiente. Conclui-se que o sensoriamento remoto é uma ferramenta indispensável para o monitoramento contínuo da restauração florestal, contribuindo para o manejo sustentável dos ecossistemas e o desenvolvimento de ações mais efetivas.Item Abordagem comparativa entre a aplicação da metodologia KATAM e inventário tradicional em plantios de Khaya senegalensis (Desr.) A. Juss(2023-09-15) Silva, Kamilo Alaboodi da; Silva, Emanuel Araújo; Hakamada, Rodrigo Eiji; http://lattes.cnpq.br/4186459700983170; http://lattes.cnpq.br/2765651276275384; http://lattes.cnpq.br/5612600854790108O inventário florestal auxilia gestores de floresta nas tomadas de decisões. A instalação, mensuração e gestão de uma rede de parcelas de inventário são onerosas e despende tempo. Técnicas de sensoriamento remoto ganham cada vez mais espaço no setor florestal por terem o potencial de redução de custos sem incorrer em perdas de precisão, porém, com baixa adesão em decorrência do elevado investimento. Nesse contexto, a empresa sueca Katam Technologies desenvolveu uma solução para aquisição e análise de dados florestais: KATAM Forest, que funciona através do algoritmo KASLAM, ainda pouco difundido e testado em florestas nacionais. Diante do exposto, este trabalho teve como objetivo comparar, em termos de acurácia e rendimento operacional, a aplicação da inteligência artificial KASLAM através do aplicativo KATAM Forest na atividade de inventário florestal em plantios de Khaya senegalensis (Desr.) A. Juss (5 anos), localizado no estado de Pernambuco, com as técnicas de amostragem de um inventário florestal realizado de forma tradicional. Foram coletados dados de diâmetro à altura do peito (DAP) dentro de 9 parcelas, bem como vídeos com a inteligência artificial, gravados dentro das coordenadas das unidades amostrais. Foi realizada a estatística descritiva dos dados de DAP das parcelas e em seguida foi aplicado um teste paramétrico de normalidade de Shapiro-Wilk, onde, ao ser rejeitada hipótese de nulidade, seria necessária a realização de um teste não-paramétrico U de Mann-Whitney para entender a diferença de médias. O rendimento operacional foi avaliado através dos dados de tempo obtidos durante o processo de inventário dentro das parcelas em ambas as abordagens. A variável DAP nas duas metodologias de inventário não tem uma distribuição clara concentrada perto da média. O teste não-paramétrico resultou que médias obtidas do DAP não apresentaram diferenças estatísticas entre as metodologias ao nível de 5% de significância. O rendimento operacional da metodologia Katam foi metade do tempo do inventário tradicional. As tecnologias Katam são bastante promissoras, no sentido de redução de tempo e custos nas operações de inventário florestal. Portanto, recomenda-se maiores estudos para que o assunto seja difundido de maneira prática.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.Item Inteligência artificial na classificação de uso e cobertura da terra no semiárido de Pernambuco(2020-11-03) Almeida, Gabriela Costa de; Silva, Emanuel Araújo; Moreira, Giselle Lemos; http://lattes.cnpq.br/6171199372079024; http://lattes.cnpq.br/2765651276275384A Floresta Tropical Seca brasileira, conhecida como Caatinga, está presente na região nordeste do Brasil e possui características climáticas severas, com clima seco e chuvas mal distribuídas. Essas características climáticas dificultam a análise por sensoriamento remoto devido às grandes diferenças de vegetação entre os períodos seco e chuvoso. Para auxiliar a análise de sensoriamento remoto neste bioma, este trabalho tem como objetivo testar diferentes algoritmos de Inteligência Artificial por meio de classificação supervisionada e identificar padrões de uso e cobertura da terra na cidade de Petrolina, em Pernambuco. Três algoritmos foram testados: Random Forest, Artificial Neural Networks e K-Nearest Neighbors usando o software QGIS e RStudio baseado em imagens LANDSAT 8 do período seco. Foram selecionadas 20 amostras das classes: Água, Agricultura, Área Urbana, Floresta e Solo Exposto, e essas amostras serviram de base para o treinamento dos algoritmos de classificação das imagens. Dados de ocupação e avaliação de qualidade de precisão foram obtidos usando acurácia do mapeamento e índice de Kappa, respectivamente: 0,9878706 e 0,9653555 para Random Forest; 0,9199973 e 0,9454833 para Artificial Neural Networks, 0,9873741 e 0,9598640 para o K-Nearest Neighbors, todos considerados excelentes. Esses valores foram superiores aos encontrados nos algoritmos mais comumente utilizados, como no algoritmo de Máxima Verossimilhança. Observou-se que o uso de algoritmos de inteligência artificial pode gerar melhores resultados na classificação do uso da terra em regiões semiáridas.