| 1. Identity statement | ||||||||||
| Reference Type | Thesis or Dissertation (Thesis) | |||||||||
| Site | mtc-m21d.sid.inpe.br | |||||||||
| Holder Code | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||||||||
| Identifier | 8JMKD3MGP3W34T/4593M6E | |||||||||
| Repository | sid.inpe.br/mtc-m21d/2021/08.13.17.44 | |||||||||
| Last Update | 2021:11.25.18.12.55 (UTC) simone | |||||||||
| Metadata Repository | sid.inpe.br/mtc-m21d/2021/08.13.17.44.54 | |||||||||
| Metadata Last Update | 2022:04.03.22.30.00 (UTC) administrator | |||||||||
| Secondary Key | INPE-18495-TDI/3142 | |||||||||
| Citation Key | Chagas:2021:UsDaLi | |||||||||
| Title | Uso de dados LiDAR, SAR e Sentinel-2 para estimativa da biomassa florestal acima do solo na Floresta Nacional do Tapajós  | |||||||||
| Alternate Title | The use of LiDAR, SAR and Sentinel-2 data to estimate forest aboveground biomass in Tapajós National Forest | |||||||||
| Course | SER-SRE-DIPGR-INPE-MCTI-GOV-BR | |||||||||
| Year | 2021 | |||||||||
| Date | 2021-08-17 | |||||||||
| Access Date | 2024, Apr. 25 | |||||||||
| Thesis Type | Dissertação (Mestrado em Sensoriamento Remoto) | |||||||||
| Secondary Type | TDI | |||||||||
| Number of Pages | 103 | |||||||||
| Number of Files | 1 | |||||||||
| Size | 4057 KiB | |||||||||
| 2. Context | ||||||||||
| Author | Chagas, Gabriel Oliveira | |||||||||
| Committee | Gama, Fábio Furlan (presidente) Shimabukuro, Yosio Edemir (orientador) Sano, Edson Eyji | |||||||||
| e-Mail Address | ochagasgabriel@gmail.com | |||||||||
| University | Instituto Nacional de Pesquisas Espaciais (INPE) | |||||||||
| City | São José dos Campos | |||||||||
| History (UTC) | 2021-08-13 18:13:56 :: gabriel.chagas@inpe.br -> pubtc@inpe.br :: 2021-08-15 20:24:53 :: pubtc@inpe.br -> gabriel.chagas@inpe.br :: 2021-09-29 21:14:50 :: gabriel.chagas@inpe.br -> pubtc@inpe.br :: 2021-09-30 14:20:19 :: pubtc@inpe.br -> administrator :: 2021-11-25 18:01:30 :: administrator -> pubtc@inpe.br :: 2021-12-13 17:04:13 :: pubtc@inpe.br -> simone :: 2021-12-13 17:04:33 :: simone :: -> 2021 2021-12-13 17:04:34 :: simone -> administrator :: 2021 2022-04-03 22:30:00 :: administrator -> :: 2021 | |||||||||
| 3. Content and structure | ||||||||||
| Is the master or a copy? | is the master | |||||||||
| Content Stage | completed | |||||||||
| Transferable | 1 | |||||||||
| Keywords | sensoriamento remoto Floresta Amazônica degradação florestal modelagem de AGB random forest remote sensing Amazon Rainforest forest degradation AGB modeling | |||||||||
| Abstract | A Floresta Amazônica, a maior área de floresta contínua do mundo, tem um papel importante na regulação do clima local e regional, e na ciclagem da água. Além disso, a Amazônia detém um grande estoque de carbono em sua área florestal, mas o desflorestamento, a extração seletiva da madeira, os incêndios florestais e a fragmentação florestal têm contribuído para a redução desse estoque na região. Desta maneira, os dados de campo são fundamentais para mensurar a magnitude e a extensão desses impactos na floresta e entender a dinâmica das áreas degradadas. Esses dados também permitem a geração de modelos preditivos de biomassa florestal acima do solo (AGB). A AGB permite identificar áreas prioritárias para a atuação de projetos de conservação florestal, visto que a biomassa está relacionada com os estoques de carbono. Contudo, devido à extensão da Floresta Amazônica, a extrapolação dos dados de campo é limitada pelo número de amostras, pela área das parcelas de campo e pelo tempo gasto na amostragem de campo. Desse modo, o uso de dados de campo em conjunto com dados de sensoriamento remoto é uma alternativa para melhorar as estimativas de AGB. Todavia, devido à extensão da Floresta Amazônica, à variabilidade de sua estrutura e aos diferentes graus de degradação florestal, existem várias incertezas nas estimativas de AGB disponíveis na literatura. Assim, o presente trabalho teve como objetivo estimar a AGB para a Floresta Nacional do Tapajós e áreas adjacentes, considerando os diferentes graus de intervenção humana, utilizando dados dos sensores LiDAR (GEDI e ALS), SAR (PALSAR-2) e ópticos (Sentinel-2). Inicialmente, a AGB foi calculada com uma equação alométrica, utilizando dados de campo, para compor a variável dependente do modelo. As variáveis independentes do modelo obtidas neste estudo foram: as variáveis biofísicas da vegetação e as métricas derivadas dos sensores remotos utilizados (altura do dado GEDI e as métricas que descrevem a nuvem de pontos do LiDAR ALS); as decomposições polarimétricas SAR; os coeficientes de retroespalhamento, os índices e razões SAR disponíveis na literatura; os índices de vegetação do Sentinel-2 disponíveis na literatura e as imagens fração do modelo linear de mistura espectral (MLME). A seguir o algoritmo Random Forest foi usado para modelar a relação entre variáveis preditivas e a AGB. Os melhores modelos de AGB, com resoluções espaciais de 16,62 m, 50 m e 555,55 m, apresentaram RMSE de 60,35 Mg ha-1 (23,07%), 75,88 Mg ha-1 (26,42%) e 89,87 Mg ha-1 (28,04%), e um R² de 0,72, 0,66 e 0,57, respectivamente. De acordo com a análise das estimativas de AGB, os modelos ótimos obtidos neste estudo foram capazes de descrever a AGB de acordo com o grau de degradação florestal. Os resultados demonstram o potencial dos dados GEDI, LiDAR ALS, SAR e ópticos para estimar a AGB em áreas de floresta tropical de acordo com a variabilidade da estrutura florestal. ABSTRACT: The world's largest continuous forest area, the Amazon rainforest, plays an important role in regulating local and regional climate and water cycling. In addition, the Amazon rainforest has a large carbon stock in its forest area, but deforestation, logging, forest fires, and forest fragmentation have contributed to the reduction of its carbon stock. Thus, field data are essential to measure the magnitude and extent of these impacts on forests and to understand the dynamics of degraded areas. These data also allow the generation of forest aboveground biomass (AGB) predictive models. The AGB allows identifying priority areas for the development of forest conservation projects since biomass is related to carbon stocks. However, due to the extension of the Amazon rainforest, the extrapolation of field data is limited by the number of samples, the area of the sample plots, and the time spent in field sampling. Thereby, the use of field data together with remote sensing data is an alternative to improve AGB estimates. Although, due to the extension, variability of the Amazon rainforest structure, and different degrees of forest degradation, there are several uncertainties in the AGB estimates available in the literature. Thus, the present work aimed to estimate AGB for the Tapajós National Forest and adjacent areas, considering the different degrees of forest degradation, using data from the sensors LiDAR (GEDI and ALS), SAR (PALSAR-2), and optical (Sentinel-2). Initially, the AGB was calculated with an allometric equation using field data to compose the dependent variable of the model. The independent variables of the model obtained in this study were: the vegetation biophysical variables and the metrics derived from LiDAR sensors (height of the GEDI data and the metrics that describe the LiDAR ALS point cloud); polarimetric SAR decompositions; backscatter coefficients, SAR indexes, and ratios available in the literature; Sentinel-2 vegetation indexes available in the literature and fraction images from linear spectral mixing model. Then, the Random Forest algorithm was used to model the relationship between predictive variables and AGB. The best AGB estimates with spatial resolution of 16.62m, 50m and 555.55m had RMSE of 60.35 Mg ha-1 (23.07%), 75.88 Mg ha-1 (26.42%) and 89 .87 Mg ha-1 (28.04%), and an R² of 0.72, 0.66 and 0.57, respectively. According to the AGB estimates analysis, the optimal models obtained in this study were able to describe the AGB according to the degree of forest degradation. The results demonstrate the potential of GEDI, LiDAR ALS, SAR, and optical data to estimate AGB in tropical forest areas according to the variability of the forest structure. | |||||||||
| Area | SRE | |||||||||
| Arrangement | urlib.net > BDMCI > CGCT > Uso de dados... | |||||||||
| doc Directory Content | access | |||||||||
| source Directory Content |
| |||||||||
| agreement Directory Content |
| |||||||||
| 4. Conditions of access and use | ||||||||||
| data URL | http://urlib.net/ibi/8JMKD3MGP3W34T/4593M6E | |||||||||
| zipped data URL | http://urlib.net/zip/8JMKD3MGP3W34T/4593M6E | |||||||||
| Language | pt | |||||||||
| Target File | publicacao.pdf | |||||||||
| User Group | gabriel.chagas@inpe.br pubtc@inpe.br simone | |||||||||
| Visibility | shown | |||||||||
| Copyright License | urlib.net/www/2012/11.12.15.10 | |||||||||
| Read Permission | allow from all | |||||||||
| Update Permission | not transferred | |||||||||
| 5. Allied materials | ||||||||||
| Mirror Repository | urlib.net/www/2021/06.04.03.40.25 | |||||||||
| Next Higher Units | 8JMKD3MGPCW/3F3NU5S 8JMKD3MGPCW/46KUATE | |||||||||
| Citing Item List | sid.inpe.br/bibdigital/2013/10.18.22.34 1 dpi.inpe.br/banon/2004/02.16.09.30.00 1 | |||||||||
| Host Collection | urlib.net/www/2021/06.04.03.40 | |||||||||
| 6. Notes | ||||||||||
| Empty Fields | academicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype | |||||||||