Uso de drone para identificar a dominância de gramíneas invasoras e vegetação nativa em áreas de restauração do cerrado

Abstract

A restauração ecológica de ecossistemas campestres e savânicos em regiões tropicais tem como principal 4 desafio a competição de gramíneas exóticas invasoras com espécies nativas. A identificação e mapeamento da 5 cobertura de espécies invasoras é indispensável para dar suporte às ações de manutenção em áreas de restauração 6 ecológica. Atualmente, os levantamentos de campo para monitorar a vegetação indesejável em áreas de 7 restauração passam por uma mudança de paradigma com crescente uso de imagens adquiridas em câmeras a 8 bordo de VANTs (Veículos Aéreo Não Tripulados), utilizadas como entrada em algoritmos de aprendizado de 9 máquina (machine learning), mostrando eficazes na classificação de alvos na superfície terrestre, como 10 gramíneas exóticas invasoras em ambientes campestres e savânicos. O presente estudo teve o objetivo de 11 identificar manchas de gramíneas exóticas invasoras e nativas em áreas de restauração ecológica de savana no bioma 12 Cerrado, a partir de imagens adquiridas por VANT e da aplicação de técnicas de aprendizagem de máquina. A área 13 de estudo está localizada dentro do Parque Nacional da Chapada dos Veadeiros. Foram realizadas amostragens da 14 cobertura vegetal por espécie em campo e os voos com um drone DJI Phantom 4 Pro, com uma câmera 1’’ 15 CMOS (Complementary Metal Oxide Semiconductor), para aquisição das imagens no espectro visível ao 16 infravermelho próximo. Com os dados de cobertura coletados em campo, as áreas foram classificadas de acordo 17 com a espécie que dominava pelo menos 40% da cobertura da parcela. As imagens foram analisadas para obter 18 uma correta classificação das parcelas de acordo com a espécie dominante. Foi utilizado o algoritmo Random 19 Forest (RF) seguido do método estatístico stepwise para diminuição da colineariedade das variáveis. A árvore 20 de decisão foi construída com o modelo de classificação Random Forest e o CART para uma representação 21 visual das características distintivas entre as espécies. Foram utilizadas para a construção do modelo as 22 seguintes variáveis: modelo de altura de dossel (CHM), índices de vegetação e métricas de textura, as quais 23 foram sobrepostas, gerando um raster uma única camada contendo todas variáveis. Em cada array foram 24 plotados aleatoriamente 50 pontos para amostragem de valores que foram subdivididos em treinamento (80%) 25 e validação (20%), utilizados nos algoritmos de classificação Random modelos de classificação para cada 26 objetivo mostraram boas precisões globais de mapeamento, superiores a 0,6 (60%) para ambos os algoritmos. 27 A análise das variáveis de importância de acordo com os resultados da classificação Random Forest revelou 28 uma forte correlação entre a variação das respostas espectrais e as diferenças na estrutura celular das folhas e 29 nos pigmentos fotossintéticos, como evidenciado pelos índices de vegetação, com maior desempenho na 30 separação de parcelas com diferentes espécies dominantes: Índice de Vegetação de Clorofila Verde, Índice de 31 Vegetação Atmosfericamente Resistente (GCI, ARVI, RED_EDGE). Enquanto para a cobertura as principais 32 variáveis preditoras foram: NIR, BLUE e RED EDGE refletindo que as características morfológicas e 33 fisiológicas das gramíneas exóticas invasoras são características essenciais para previsões da cobertura desta 34 vegetação. O uso de variáveis derivadas de imagens multiespectrais adquiridas com câmeras em drones 35 mostrou-se promissor para identificar áreas dominadas por espécies invasoras e nativas, prever a cobertura 36 vegetal de gramíneas invasoras em ambientes em processo de restauração ecológica em campos e savanas no 37 bioma Cerrado.