Avaliação de estágios sucessionais de florestas estacionais semideciduais com uso de dados hiperespectrais e LiDAR obtidos a partir de aeronave remotamente pilotada

Página do item simplificado
dc.contributor.advisor-co1Almeida, André Quintão de
dc.contributor.advisor-co1IDhttps://orcid.org/0000-0002-5063-1762
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/5929672339693607
dc.contributor.advisor-co2Effgen, Emanuel Maretto
dc.contributor.advisor-co2IDhttps://orcid.org/0000-0002-9031-6337
dc.contributor.advisor-co2Latteshttp://lattes.cnpq.br/0205196565849611
dc.contributor.advisor1Mendonça, Adriano Ribeiro de
dc.contributor.advisor1IDhttps://orcid.org/0000-0003-3307-8579
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9110967421921927
dc.contributor.authorPinon, Tobias Baruc Moreira
dc.contributor.authorIDhttps://orcid.org/0000-0001-9200-1024
dc.contributor.authorLatteshttp://lattes.cnpq.br/8571909054406808
dc.contributor.referee1Almeida, Catherine Torres de
dc.contributor.referee1IDhttps://orcid.org/0000-0002-8140-2903
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5534145837431294
dc.contributor.referee2Fernandes, Milton Marques
dc.contributor.referee2IDhttps://orcid.org/0000-0002-9394-0020
dc.contributor.referee2Latteshttp://lattes.cnpq.br/2151263512584100
dc.contributor.referee3Martins Neto, Rorai Pereira
dc.contributor.referee3IDhttps://orcid.org/0000-0001-5318-2627
dc.contributor.referee3Latteshttp://lattes.cnpq.br/4925375972651580
dc.contributor.referee4Silva, Gilson Fernandes da
dc.contributor.referee4IDhttps://orcid.org/0000-0001-7853-6284
dc.contributor.referee4Latteshttp://lattes.cnpq.br/8643263800313625
dc.date.accessioned2025-08-07T18:59:58Z
dc.date.available2025-08-07T18:59:58Z
dc.date.issued2025-06-03
dc.description.abstractThe Atlantic Forest in the state of Espírito Santo has undergone intense degradation, highlighting the urgent need for rapid and accurate methods for its monitoring and conservation. Brazilian Resolution Conama No. 29/1994 establishes criteria for classifying secondary vegetation into successional stages, which determine the potential for forest use. However, this classification, when carried out in the field, is heavily reliant on the expertise of the technical team, due to factors such as training, subjective criteria, and the lack of adequate instruments—potentially compromising the reliability of the results. In this context, the objective of this study was to classify successional stages of vegetation using data acquired by hyperspectral and LiDAR sensors mounted on a Remotely Piloted Aircraft (RPA). The research was conducted in regenerating pasturelands and forest fragments located in southern Espírito Santo, where dendrometric variables such as diameter at breast height (DBH) and total tree height were collected within 30 × 30 m plots. These field measurements were related to hyperspectral (with and without shadow) and LiDAR-derived metrics to estimate dendrometric parameters—mean diameter (D), mean height (H), and basal area (G)—using regression models. Model accuracy was evaluated using the root mean square error (RMSE), adjusted coefficient of determination (adjusted R²), and histograms of percentage error. Successional stage classification was performed using a rule-based method under two scenarios: one with three stages (initial, intermediate, and advanced), and another including the regenerating pasture class. In addition, an unsupervised classification was conducted using hierarchical clustering based on the estimated dendrometric variables and structural and spectral metrics, resulting in five groups: three successional stages and two pasture categories (open and dense shrublands). A principal component analysis (PCA) was also applied. The variables D and H were estimated with higher accuracy using combined data (adjusted R² = 88% and 90%, respectively), while G performed best with LiDAR data alone (adjusted R² = 92%). Shadow pixel removal slightly improved model performance, although its impact on predictive quality was limited. The rule-based classification with three categories achieved an overall accuracy of 88% (Kappa = 0.81), decreasing to 68% (Kappa = 0.59) with the inclusion of the regenerating pasture class. The unsupervised classification using the estimated variables for five classes (open and dense shrublands, and successional stages) reached an accuracy of 64% (Kappa = 0.55). Conversely, the classification based solely on hyperspectral metrics showed high agreement with field-defined stages (92%), whereas LiDAR metrics presented lower correspondence. Multivariate analysis revealed that spectral and structural metrics adequately represent the successional gradient. The integration of hyperspectral and LiDAR data proved effective for the automated mapping of large and inaccessible areas, providing a promising tool to complement forest inventories and reduce subjectivity in the application of legal criteria
dc.description.resumoA Mata Atlântica do Espírito Santo tem sido intensamente degradada, o que reforça a necessidade de métodos ágeis e precisos para sua fiscalização e conservação. A Resolução Conama nº 29/1994 estabelece critérios para a classificação da vegetação secundária em estágios sucessionais, determinando a possibilidade de exploração florestal. No entanto, essa classificação realizada em campo depende fortemente da experiência da equipe técnica, devido à formação, critérios subjetivos e ausência de instrumentos adequados, o que pode comprometer a confiabilidade dos resultados. Diante disso, este estudo tem como objetivo classificar estágios sucessionais da vegetação com o uso de dados obtidos por sensores hiperespectrais e LiDAR embarcados em Aeronave Remotamente Pilotada (ARP). A pesquisa foi conduzida em áreas de pastagem em regeneração e fragmentos florestais no sul do Espírito Santo, onde foram coletadas variáveis dendrométricas como diâmetro a 1,3m do solo (D) e altura total (H) das árvores em parcelas de 30 x 30 m. Essas variáveis foram relacionadas a métricas hiperespectrais (com e sem sombra) e LiDAR para estimar parâmetros dendrométricos, como diâmetro médio (D ̅), altura total média (H ̅) e área basal (G), por meio de modelos de regressão. A acurácia dos modelos foi avaliada com base na raiz do quadrado médio do erro (RMSE), no coeficiente de determinação ajustado (R² ajustado) e em histogramas de erro percentual. A classificação dos estágios foi realizada por método baseado em regras, considerando dois cenários: um com três estágios (inicial, médio e avançado) e outro com a inclusão da classe de pastagem em regeneração. Também foi conduzida uma classificação não supervisionada por agrupamento hierárquico, com base nas estimativas das variáveis dendrométricas e métricas espectrais e estruturais, resultando em cinco grupos: três estágios sucessionais e duas categorias de pastagem (pasto sujo ralo e denso). Complementarmente, aplicou se uma análise de componentes principais (PCA).O D ̅ e a H ̅ foram estimados com maior acurácia com dados combinados (R² ajustado = 88% e 90%, respectivamente), enquanto a G apresentou melhor desempenho com dados LiDAR (R² ajustado = 92%). A exclusão de pixels sombreados resultou em leve ganho na performance dos modelos, com impacto limitado na qualidade preditiva. A classificação baseada em regras com três categorias atingiu acurácia global de 88% (Kappa = 0,81), reduzindo para 68% (Kappa = 0,59) com a inclusão da classe “Pasto Sujo”. A classificação não supervisionada com estimativas das variáveis para cinco classes (pasto sujo ralo, denso e estágios) apresentou acurácia de 64% (Kappa = 0,55). Por outro lado, a classificação baseada exclusivamente em métricas hiperespectrais demonstrou alta concordância com os estágios definidos em campo (92%), enquanto as métricas LiDAR apresentaram menor correspondência. A análise multivariada evidenciou que métricas espectrais e estruturais representam bem o gradiente sucessional. A integração de dados mostrou-se eficiente para o mapeamento automatizado de áreas extensas e de difícil acesso, podendo complementar os inventários florestais e reduzir a subjetividade na aplicação dos critérios legais
dc.description.sponsorshipFundação de Amparo à Pesquisa e Inovação do Espírito Santo (Fapes)
dc.formatText
dc.identifier.urihttp://repositorio.ufes.br/handle/10/20052
dc.languagepor
dc.language.isopt
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseDoutorado em Ciências Florestais
dc.publisher.departmentCentro de Ciências Agrárias e Engenharias
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Ciências Florestais
dc.rightsopen access
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectMata atlântica
dc.subjectDrone
dc.subjectSensoriamento remoto
dc.subjectDrone aircraft
dc.subjectUnmanned Aerial Vehicle (UAV)
dc.subjectRemote sensing
dc.subjectAtlantic Forest
dc.subject.cnpqRecursos Florestais e Engenharia Florestal
dc.titleAvaliação de estágios sucessionais de florestas estacionais semideciduais com uso de dados hiperespectrais e LiDAR obtidos a partir de aeronave remotamente pilotada
dc.title.alternativeAssessment of successional stages of semideciduous seasonal forests using hyperspectral and LiDAR data acquired from remotely piloted aircraft system
dc.typedoctoralThesis
foaf.mboxtobias.pinon@idaf.es.gov.br
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TobiasBarucMoreiraPinon-2025-Tese.pdf
Tamanho:
7.86 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Doutorado em Ciências Florestais