ESTIMATIVA DO ÍNDICE DE ÁREA FOLIAR DE COPAS DE ÁRVORES
INDIVIDUAIS DERIVADO DE DADOS LIDAR COM IMAGENS
MULTISPECTRAIS DE ALTÍSSIMA RESOLUÇÃO
Vinícius Bizzo Lopes1 , Matheus Pinheiro Ferreira2
1
Departamento de Engenharia de Defesa, Instituto Militar de Engenharia – IME, Praça Gen. Tibúrcio 80, 22290-270 Rio de
Janeiro, RJ, Brazil, vinicius.lopes@ime.eb.br, 2 Departamento de Engenharia Cartográfica, Instituto Militar de Engenharia –
IME, Praça Gen. Tibúrcio 80, 22290-270 Rio de Janeiro, RJ, Brazil, matheus@ime.eb.br
RESUMO
A vegetação urbana fornece serviços ecossistêmicos
essenciais como redução da temperatura e sequestro de
carbono. A provisão de serviços ecossistêmicos é uma
função das características do dossel, como o índice de área
foliar (IAF). Tradicionalmente o IAF é extraído de forma
onerosa e destrutiva, mas com o avanço do sensoriamento
remoto (SR) pode ser feita de forma rápida e espacialmente
explícita. Sensores Light detection and ranging (LiDAR)
a bordo de veículos aéreos não tripulados (VANTs) têm
sido utilizados para obter o IAF. Porém, as aquisições de
dados de VANTs geralmente cobrem pequenas áreas (≤ 30
ha), limitando a análise em larga escala. Neste trabalho,
investigamos a possibilidade de extrapolar o IAF obtidos
por VANTs de copas de árvores individuais para imagens
de satélite de altíssima resolução. Os resultados mostram
que um modelo linear pode recuperar o IAF usando apenas
bandas multiespectrais de satélites de altíssima resolução
(R²=0,7246).
Palavras chave – extrapolação, machine learning, imagens
multiespectrais, copas individuais, índice de área foliar.
ABSTRACT
Urban vegetation provides essential ecosystem services such
as surface temperature reduction and carbon sequestration.
Ecosystem services provision is a function of canopy
traits such as the leaf area index (LAI). LAI retrievals are
traditionally performed in a destructive and costly way.
With the advancement of remote sensing (SR), LAI can be
estimated in a spatially explicit and fast manner. Light
detection and ranging (LiDAR) sensors onboard unoccupied
aerial vehicles (UAVs) have been used to retrieve LAI.
However, UAV data acquisitions usually cover small areas
(≤ 30 ha), which limits broad scale analysis. In this work,
we investigate the possibility of upscaling UAV-based LAI
retrievals of individual tree crowns (ITCs) to very-high
resolution satellite images. We show that, using a linear
model, one can retrieve LAI using only VHR multispectral
bands (R²=0.7246).
Key words – Upscalling, machine learning, multispectral
images, canopy, leaf area index.
https://proceedings.science/p/164690?lang=pt-br
1. INTRODUÇÃO
As árvores urbanas possuem funções ecossistêmicas
importantes como: diminuição do efeito das ilhas de
calor, absorção de carbono, regulação do microclima
local e mitigação da poluição do ar [1, 2]. O crescimento
desordenado das cidades acarreta muitas vezes em supressão
de árvores urbanas, com isso, os serviços ecossistêmicos
fornecidos por essas árvores são comprometidos. Além disso,
características funcionais das árvores estão relacionadas à
provisão de serviços ecossistêmicos [3].
Entre as características funcionais se destaca o índice de
área foliar (LAI, do inglês leaf area index) que representa
relação entre a área foliar e a área do terreno, sendo medida
de m2 /m2 . O LAI pode ser ser estimado de forma direta
e indireta. A forma direta consiste na medição da área da
todas as folhas de um indivíduo arbóreo, sendo extremamente
oneroso. Investigações anteriores mostram a capacidade de
estimar o LAI de forma indireta utilizando dados LiDAR [4].
Sensores LiDAR emitem e registram o retorno de milhares
de pulsos laser, fornecendo informações sobre a estrutura
tridimensional da vegetação.
Recentemente, sensores LiDAR tem sido fabricados para
VANTs, o que permitiu uma maior flexibilização da aquisição
de dados. Entretanto, levantamento por VANTs normalmente
cobrem pequenas áreas (≤ 30 ha) devido a limitações no
tempo de voo. Portanto, torna-se necessário investigar
maneiras de se extrapolar para grandes tratos as informações
derivadas de VANTs, de forma a se fornecer uma visão
sinóptica acerca de característica da vegetação como o LAI.
Esta pesquisa visa testar abordagens de extrapolação
do LAI de copas de árvores individuais derivado de um
levantamento LiDAR baseado em VANT, utilizando imagens
de altíssima resolução (ground sample distance (GSD) ≤
0.5 m. Existe um grande desafio para coleta de dados via
VANT em grandes tratos (> 30ha) devido a questões técnicas
inerentes ao próprio equipamento (por exemplo: a duração
da bateria do VANT). Com isso, esse estudo tem como
motivação desenvolver um método de extrapolação do LAI
a partir dos dados coletados por VANT em pequenas áreas
e posteriormente estimar esse LAI para grandes regiões com
isso é possível especializar o LAI e realizar o monitoramento
dessas áreas de forma recorrente.
2440
 2. MATERIAL E MÉTODOS
2.1. Área de estudo e base de dados de copas de árvores
individuais
A área de estudo deste trabalho é o Jardim Botânico (JBRJ)
localizado na zona sul do município do Rio de Janeiro (lat:
22º58’12.98"S, long: 43º13’30.82"O - SIRGAS2000). O
JBRJ possui aproximadamente 54 hectares, com diversas
espécies arbóreas. Foi realizado o delineamento de 100
copas de árvores individuais do JBRJ tendo como base
em uma imagem VHR, conforme mostra a Fig. 1. A
imagem VHR utilizada no delineamento foi a PLEIADES,
cuja características serão apresentadas a seguir no item 2.2.2.
Figure 1: Local do aerolevantamento no Jardim Botânico do
Rio de Janeiro. As copas de árvores individuais utilizadas no
trabalho estão destacadas em vermelho.
Primeiramente foi feito a o delineamento das copas das
árvores (Fig. 1) vetorizando as mesmas a partir de um
software livre de geoprocessamento (QGIS). A imagem de
satélite (PLEIADES) foi carregada no QGIS e a partir disso,
de forma manual, foram sendo identificadas copas de árvores
individuais do JBRJ e delineadas em um arquivo shapefile de
polígono utilizando o QGIS. Após o delineamento das copas,
foram extraídos os pixels do interior de cada polígono para
montar uma tabela com esses dados. Divide-se a tabela em
treinamento e teste, utilizando a proporção de 80% para treino
do modelo e 20% para teste do mesmo.
2.2. Dados de sensoriamento remoto
2.2.1. Levantamento LiDAR
Os dados LiDAR foram coletados pelo sensor Velodyne Puck
acoplado ao UAV MAtrice 600 Pro da empresa DJI. Para
a estabilização do sensor durante o aerolevantamento foi
utilizado o gimbal de três eixos Ronin-M da DJI e para
a coleta de coordenadas foi utilizado o GNSS APX-15 da
Applanix também acoplado ao VANT e uma base GNSS
Smart Target da Trimble para realizar o pós-processamento
dos dados coletados pelo APX-15.
O levantamento LiDAR ocorreu no dia 07 de Março de
2022. A área possui aproximadamente 20 ha, o voo foi
realizado a uma altura de 64 m e com velocidade aproximada
de 7m/s. A nuvem de pontos obtida possui aproximadamente
400 pontos/m2
https://proceedings.science/p/164690?lang=pt-br
Figure 2: DJI Matrice 600 Pro equipado com o sensor LiDAR
Velodyne Puck.
2.2.2. Imagens de satélite
Uma imagem PLEIADES foi coletada no dia 07 de Março
de 2022 (no dia do levantamento LiDAR) e realizado o
procedimento de pansharpening utilizando o software ENVI
a partir do algoritmo Gram-Schmidt [5] para a cena ficar
com 50 cm de resolução espacial. A cena que foi utilizada
no estudo possui 4 bandas espectrais sendo elas: azul (430
- 550 nm), verde (490 - 610 nm), vermelho (600 - 720
nm), infravermelho próximo 1 (750 - 950 nm). A imagem
foi disponibilizada com a correção atmosférica, ou seja, em
reflectância de superfície.
Uma imagem WorldView-2 (WV-2) foi coletada no dia 08
de Março de 2022 (um dia após o levantamento LiDAR). A
cena possui 50cm de resolução espacial e 8 bandas espectrais
sendo elas: coastal (400 - 450 nm), azul (450 - 510 nm),
verde (510 - 580 nm), amarelo (585 - 625 nm), vermelho
(655 - 680 nm), red edge (705 - 745 nm), infravermelho
próximo 1 (770 - 895 nm), infravermelho próximo 2 (860
- 1040 nm). A imagem foi disponibilizada com a correção
atmosférica, ou seja, em reflectância de superfície. Tanto
as imagens PLEIADES quando a WV-2 foram obtidas em
condições atmosféricas livre de nuvens.
2.3. Processamento LiDAR e estimativa do LAI
O processamento LiDAR visa a partir do aerolevantamento
gerar um arquivo único *.las com toda a nuvem de pontos
para, posteriormente, ser realizada a remoção dos ruídos.
Primeiramente, com a nuvem de pontos, foi estimada
a distribuição angular das folhas (LAD, do inglês leaf
angle distribution), utilizando a equação de MacArthurHorn
(Equação 1) [6], onde Dz é a resolução vertical, K é um
coeficiente e pulsos.in e pulsos.out é a quantidade de pulsos
que entram e passam por voxel (unidade de volume do dossel).
1 1
LADi = ln(pulsos.ini /pulsos.outi ) × × (1)
Dz K
A equação de MacArthurHorn também assume que a
2441
 distribuição das folhas no voxel é aleatória. Após calculado o
LAD, é possível obter o LAI a partir da somatório dos LAD
(Equação 2).
n
X
LAD (2)
1
Após isso, foi obtido uma imagem com o LAI da região.
O LAI foi calculado com voxels de 50cm para compatibilizar
com a resolução espacial das imagens de satélite utilizadas
neste estudo.
2.4. Modelo de regressão linear
Algumas técnicas estatísticas são utilizadas para transformar
a composição espectral em características biofísicas [7].
Modelos estatísticos de regressão são comumente utilizados
para modelar dados a partir de variáveis dependentes e
independentes. No caso deste trabalho o LAI obtido com
o aerolevantamento LiDAR será utilizado para modelar as
variáveis independentes de um modelo linear (LM) para
posteriormente o modelo ser correlacionado com os valores
de reflectância das bandas dos satélites PLEIADES e WV-2.
Um estudo também utilizou dados LiDAR e imagens WV-2
para estimar o LAI [8], o autor estimou o LAI de uma floresta
em Ontário (Canadá) a partir de dados LiDAR, índices de
vegetação e fotografias hemisféricas utilizando um modelo
de regressão linear múltipla, obtendo um r² = 0,79 em um
dos exemplos apresentados. Outro estudo também estimou
o LAI e a porcentagem de cobertura do dossel partir de
dados LiDAR e imagens de satélite (QuickBird) [9] também
utilizando modelos de regressão linear e obteve o maior
r²=0,86.
O modelo linear que será utilizado neste trabalho irá gerar
os parâmetros independentes da equação 3 para o caso das
imagens PLEIADES e da equação 4 para as imagens WV-2.
LAI = β0 +β1 BLU E+β2 RED+β3 GREEN +β4 N IR+ε
(3)
LAI =β0 + β1 COAST AL + β2 BLU E + β3 GREEN
+ β4 Y ELLOW + β5 RED + β6 REDE DGE
+ β7 N IR1 + β8 N IR2 + ε
(4)
Os parâmetros independentes serão obtidos pelo
modelo linear a partir dos dados LAI que foram
coletados em campo pelo LiDAR acoplado no VANT
(β0 , β1 , β2 , β3 , β4 , β5 , β6 , β7 , β8 ). Já os parâmetros
dependentes serão as bandas das imagens de satélite
multiespectrais.
Com o objetivo de testar a influência da resolução espacial
nas estimativas do LAI, as imagens originais (GSD=0,5m)
foram reamostradas para 1m, 2m e 3m utilizando um
interpolador por vizinho mais próximo. Esse interpolador foi
escolhido por modificar menos os valores dos pixels.
Para testar a capacidade de generalização do modelo foram
treinados 1000 modelos lineares, escolhendo-se diferentes
copas de treinamento e teste para cada valor a as imagens
originais (GSD=0,5m) e para as imagens reamostradas (1m,
https://proceedings.science/p/164690?lang=pt-br
2m e 3m), depois se obteve a média desses valores de r² para
cada resolução. Com isso é possível obter a média dos valores
de r2 e o valor do desvio padrão para cada estimativa de LAI.
3. RESULTADOS E DISCUSSÃO
Com as imagens PLEIADES se obteve r2 médio de 0,22856
para o GSD =0,5 m e 0,13780 de desvio padrão. Conforme
foi realizada a reamostragem dos pixels para 1m, 2m e 3m os
resultados de r2 foram aumentando, conforme pode ser visto
na Tabela 1.
Com as imagens do WV-2 se obteve r2 e desvio padrão de
0,22406 e 0,14463, respectivamente para a resolução de 0,5
m. Após a reamostragem dos pixels se observa resultados
mais satisfatórios até a resolução de 3 metros, como média de
r2 de 0,37395, 0,62465 e 0,66761 para os pixels de 1,0 m, 2,0
m e 3,0 m, respectivamente. Esses resultados mostram que
conforme o tamanho do pixel aumenta, também aumentam os
valores r2 , conforme pode ser visto na Tabela 2.
Resolução (m) Média r² Desv. Pad. r²
0,5 0,22856 0,13780
1,0 0,42350 0,14465
2,0 0,67230 0,09881
3,0 0,72465 0,09411
Table 1: Tabela com os resultados médios de r² e desvio padrão
do modelo linear aplicado nas imagens PLEIADES.
Resolução (m) Média r² Desv. Pad. r²
0,5 0,22406 0,14463
1,0 0,37395 0,15095
2,0 0,62465 0,11405
3,0 0,66761 0,10307
Table 2: Tabela com os resultados médios de r² e desvio padrão
.
do modelo linear aplicado nas imagens WV-2.
O GSD = 0,5m é o valor tanto das imagens PLEIADES
e WV-2 quanto para a resolução do LAI gerado a partir
do LiDAR e se nota uma média de r² de 0,22 para a
extrapolação do LAI em ambas as imagens. Como o
registro (georreferenciamento) das imagens multiespectrais
em relação ao LAI gerado pelo LiDAR é fator crucial, esse
valor de r² mostra que existe certo deslocamento entre as
imagens, fazendo com que os pixels das copas das árvores nas
imagens multiespectrais e no LAI não estejam sobrepostos.
Com a progressiva reamostragem do tamanho dos pixels
esse problema vai sendo atenuado, visto que conforme a
dimensão do pixel vai aumenta, os pixels da feições (nesse
caso, os pixels das copas das árvores) vão se sobrepondo
em ambas as imagens (PLEIADES e WV-2, corrigindo
possíveis problemas de deslocamento entre elas), resultando
em melhores valores de r². Logo, com a reamostragem dos
pixels se garante a sobreposição das feições (no caso, as copas
das árvores) nas imagens multiespectrais e no LAI gerado
pelo LiDAR. Por isso, observa-se o aumento dos valores
médios de r² de 0,22 na resolução original para r² = 0,72 nas
imagens PLEIADES e r²= 0,66 para as imagens WV-2 (para
um pixel de 3m).
2442
 Os valores das médias de r² para o sensor WV-2 foram
menores do que para o sensor PLEIADES. Essa diferença
pode ser explicada devido ao deslocamento entre as copas das
árvores nas imagens dos dois sensores em relação ao LAI,
visto que o delineamento das copas das árvores foi feito na
imagem PLEIADES.
Estudos com abordagens semelhantes, conforme citado no
item 2.4, obtiveram resultados semelhantes de r². O maior
r² obtido no estudo elaborado por [9] foi 0,86, combinando
dados LiDAR com NDVI e variáveis de modelos de alturas
dos dosséis. O outro estudo, que foi elaborado por [8], obteve
em um modelo combinado de dados LiDAR com NDVI um
r² de 0,79 em um dos casos apresentado.
O maior valor de r² obtido para o estudo proposto foi
de 0,72465, um valor abaixo dos valores encontrados nos
outros trabalhos, esse fato pode ser explicado devido aos
outros estudos utilizarem índices de vegetação para auxiliar
na estimativa do LAI.
A avaliação da qualidade dos dados estimados (ou seja, não
determinísticos) foi feita pelo r2 , que é um valor que possui
incertezas inerentes associados ao modelo, que são mostradas
aqui nesse estudo pelo desvio padrão. Em todos os resultados
se obtiveram valores de incerteza (desvio padrão) baixos.
4. CONCLUSÃO
A extrapolação (uma estimativa utilizando uma regressão
linear) dos dados LAI gerados pelo LiDAR utilizando as
imagens de satélite multiespectrais resultou no maior valor
de r2 0,72465 com 0,09411 de desvio padrão para o pixel
de 3m. Isso significa que a equação do modelo linear está
bem ajustada (ou seja, um modelo preciso e exato, pois tem
r2 alto e desvio padrão baixo), podendo ser utilizada para
estimar o LAI em grandes tratos (> 30 ha), sendo uma
opção não destrutiva, menos onerosa e de logística mais
simples para os gestores públicos que gerenciam florestas, por
exemplo. Com isso é possível utilizar esse modelo linear de
obtenção de LAI na região do JBRJ e seus arredores, não se
limitando apenas a área do aerolevantamento. Isso gera maior
celeridade na estimativa de informações importantes para a
floresta urbana. Este trabalho também abre oportunidades
de pesquisa principalmente utilizando outros parâmetros além
do LAI para a elaboração dos modelos de regressão ou até o
uso de imagens hiperespectrais.
5. AGRADECIMENTOS
Este trabalho é financiado pela Fundação de Amparo à
Pesquisa do Estado do Rio de Janeiro (FAPERJ), processos
https://proceedings.science/p/164690?lang=pt-br
Powered by TCPDF (www.tcpdf.org)
#248486/2019 e #259727/2021. MPF agradece o apoio
do Conselho Nacional de Desenvolvimento Científico e
Tecnológico (CNPq), processo n. 306345/2020-0.
6. REFERENCES
[1] Rudolf S De Groot, Matthew A Wilson, and Roelof MJ
Boumans. A typology for the classification, description
and valuation of ecosystem functions, goods and services.
Ecological economics, 41(3):393–408, 2002.
[2] Francisco J Escobedo, Timm Kroeger, and John E Wagner.
Urban forests and pollution mitigation: Analyzing ecosystem
services and disservices. Environmental pollution, 159(8-
9):2078–2087, 2011.
[3] Samson Roeland, Marco Moretti, Jorge Humberto Amorim,
Cristina Branquinho, Silvano Fares, Federico Morelli, Ülo
Niinemets, Elena Paoletti, Pedro Pinho, Gregorio Sgrigna, et al.
Towards an integrative approach to evaluate the environmental
ecosystem services provided by urban forest. Journal of Forestry
Research, 30(6):1981–1996, 2019.
[4] Kai Wang, Steven E Franklin, Xulin Guo, and Marc Cattet.
Remote sensing of ecology, biodiversity and conservation: a
review from the perspective of remote sensing specialists.
Sensors, 10(11):9647–9667, 2010.
[5] Bruno Aiazzi, Stefano Baronti, Franco Lotti, and Massimo
Selva. A comparison between global and context-adaptive
pansharpening of multispectral images. IEEE Geoscience and
Remote Sensing Letters, 6(2):302–306, 2009.
[6] Blaise Tymen, Grégoire Vincent, Elodie A Courtois, Julien
Heurtebize, Jean Dauzat, Isabelle Marechaux, and Jérôme
Chave. Quantifying micro-environmental variation in tropical
rainforest understory at landscape scale by combining airborne
lidar scanning and a sensor network. Annals of Forest Science,
74(2):1–13, 2017.
[7] Jinru Xue and Baofeng Su. Significant remote sensing
vegetation indices: A review of developments and applications.
Journal of sensors, 2017, 2017.
[8] Graham Pope and Paul Treitz. Leaf area index (lai) estimation in
boreal mixedwood forest of ontario, canada using light detection
and ranging (lidar) and worldview-2 imagery. Remote sensing,
5(10):5040–5063, 2013.
[9] Alicia MR Griffin, Sorin C Popescu, Kaiguang Zhao, et al.
Using lidar and normalized difference vegetation index to
remotely determine lai and percent canopy cover. Proceedings
of SilviLaser, 2008:8th, 2008.
2443