http://repositorio.unb.br/handle/10482/48436
File | Description | Size | Format | |
---|---|---|---|---|
PaulaLopesGermanoDeOliveira_DISSERT.pdf | 2,09 MB | Adobe PDF | View/Open |
Title: | Predição da biomassa acima do solo no Cerrado utilizando redes neurais e sensoriamento remoto |
Authors: | Oliveira, Paula Lopes Germano de |
Orientador(es):: | Matricardi, Eraldo Aparecido Trondoli |
Assunto:: | Cerrado - florística - Distrito Federal Biomassa Sensoriamento remoto Redes neurais (Computação) |
Issue Date: | 26-Jun-2024 |
Data de defesa:: | 30-Aug-2022 |
Citation: | OLIVEIRA, Paula Lopes Germano de. Predição da biomassa acima do solo no Cerrado utilizando redes neurais e sensoriamento remoto. 2022. 55 f., il. Dissertação (Mestrado em Ciências Florestais) — Universidade de Brasília, Brasília, 2022. |
Abstract: | O Cerrado, segundo maior bioma brasileiro, apresenta papel fundamental para a qualidade ambiental, sendo responsável por funções indispensáveis à geração de serviços ambientais essenciais, dentre os quais destaca-se a capacidade de armazenar em sua biomassa expressivas quantidades de carbono. Apesar de sua importância, quase metade da vegetação nativa deste bioma já foi convertida em áreas urbanas, cultivos agrícolas e pastagens. As estimativas precisas de biomassa são informações essenciais para nortear ações conservacionistas em áreas com remanescentes de vegetação. Dados de sensoriamento remoto associados a redes neurais artificiais tem demonstrado eficácia na modelagem de variáveis florestais. A presente pesquisa inclui o desenvolvimento de modelo de predição da biomassa acima do solo no Cerrado no Distrito Federal usando índices de vegetação derivados de imagens de satélite e redes neurais artificiais. Foram utilizados dados de campo coletados no âmbito do Inventário Florestal Nacional e de parcelas permanentes na área de estudo. Foram calculados e testados cinco índices de vegetação derivados de cenas do satélite de alta resolução RapidEye, tendo como referência dados coletados em campo. Foram treinadas redes neurais artificiais com a ferramenta Intelligent Problem Solver do software Statistica 7 para estimar a biomassa acima do solo, permitindo a seleção dos índices e da rede neural mais adequada para a predição da biomassa na área de estudo, segundo critérios do erro média da estimativa, coeficiente de correlação e análises gráficas. A rede neural com melhor desempenho apresentou poder preditivo de 90% e erro quadrático (RMSE) inferior a 17%. A estrutura da rede foi composta por dois neurônios na camada de entrada, oito na camada oculta e um na camada de saída. Os resultados deste estudo indicam que índices de vegetação associados a redes neurais artificias podem estimar com boa acurácia a biomassa acima do solo no bioma Cerrado. |
Abstract: | Cerrado is the second largest biome in Brazil and plays a crucial role in environmental quality and it is responsible for ecosystem functions necessary for generation of environmental services, including the ability of storing significant carbon amounts. Despite of its environmental role, almost half of the native vegetation of Cerrado has been converted into urban areas, crop lands, and pastures. Accurate biomass estimates are essential information to support conservation measures in areas of remnants of native vegetation. Remote sensing data associated with artificial neural networks have proven effective in modeling forest variables and biomass. In this study, we aimed to model the aboveground biomass in a study case in the Cerrado biome using vegetation indices derived from remotely sensed data and artificial neural networks. Field data were provided by the National Forest Inventory collected within the Federal District territory and from permanent plots on the Água Limpa experimental farm of the University of Brasilia. Five vegetation indices were retrieved from high resolution RapidEye satellite scenes and calculated for each sample plot. Correlation testing was performed to identify the optimum index to be applied in aboveground biomass modeling. Artificial neural networks were trained to predict the aboveground biomass in the study area using the Intelligent Problem Solver tool of the Statistica 7 software, vegetation indices, and field data. The selection of the optimum neural network was made according to criteria of mean error of the estimate, correlation coefficient and graphical analysis. The best performing neural network showed predictive power of 90% and squared error (RMSE) less than 17%. The structure of the net was composed of two neurons in the input layer, eight in the hidden layer, and one in the output layer. This study results indicate that vegetation indices associated with artificial neural networks can estimate with good accuracy the aboveground biomass in the Cerrado biome. |
metadata.dc.description.unidade: | Faculdade de Tecnologia (FT) Departamento de Engenharia Florestal (FT EFL) |
Description: | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2022. |
metadata.dc.description.ppg: | Programa de Pós-Graduação em Ciências Florestais |
Licença:: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. |
Agência financiadora: | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) |
Appears in Collections: | Teses, dissertações e produtos pós-doutorado |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.