Escolar Documentos
Profissional Documentos
Cultura Documentos
RESUMO 1. INTRODUÇÃO
https://proceedings.science/p/164690?lang=pt-br 2440
2. MATERIAL E MÉTODOS
https://proceedings.science/p/164690?lang=pt-br 2441
distribuição das folhas no voxel é aleatória. Após calculado o 2m e 3m), depois se obteve a média desses valores de r² para
LAD, é possível obter o LAI a partir da somatório dos LAD cada resolução. Com isso é possível obter a média dos valores
(Equação 2). de r2 e o valor do desvio padrão para cada estimativa de LAI.
n
X
LAD (2) 3. RESULTADOS E DISCUSSÃO
1
Após isso, foi obtido uma imagem com o LAI da região. Com as imagens PLEIADES se obteve r2 médio de 0,22856
O LAI foi calculado com voxels de 50cm para compatibilizar para o GSD =0,5 m e 0,13780 de desvio padrão. Conforme
com a resolução espacial das imagens de satélite utilizadas foi realizada a reamostragem dos pixels para 1m, 2m e 3m os
neste estudo. resultados de r2 foram aumentando, conforme pode ser visto
na Tabela 1.
2.4. Modelo de regressão linear 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
Algumas técnicas estatísticas são utilizadas para transformar
m. Após a reamostragem dos pixels se observa resultados
a composição espectral em características biofísicas [7].
mais satisfatórios até a resolução de 3 metros, como média de
Modelos estatísticos de regressão são comumente utilizados
r2 de 0,37395, 0,62465 e 0,66761 para os pixels de 1,0 m, 2,0
para modelar dados a partir de variáveis dependentes e
m e 3,0 m, respectivamente. Esses resultados mostram que
independentes. No caso deste trabalho o LAI obtido com
conforme o tamanho do pixel aumenta, também aumentam os
o aerolevantamento LiDAR será utilizado para modelar as
valores r2 , conforme pode ser visto na Tabela 2.
variáveis independentes de um modelo linear (LM) para
posteriormente o modelo ser correlacionado com os valores
Resolução (m) Média r² Desv. Pad. r²
de reflectância das bandas dos satélites PLEIADES e WV-2.
0,5 0,22856 0,13780
Um estudo também utilizou dados LiDAR e imagens WV-2
1,0 0,42350 0,14465
para estimar o LAI [8], o autor estimou o LAI de uma floresta
em Ontário (Canadá) a partir de dados LiDAR, índices de 2,0 0,67230 0,09881
vegetação e fotografias hemisféricas utilizando um modelo 3,0 0,72465 0,09411
de regressão linear múltipla, obtendo um r² = 0,79 em um
Table 1: Tabela com os resultados médios de r² e desvio padrão
dos exemplos apresentados. Outro estudo também estimou do modelo linear aplicado nas imagens PLEIADES.
o LAI e a porcentagem de cobertura do dossel partir de
dados LiDAR e imagens de satélite (QuickBird) [9] também Resolução (m) Média r² Desv. Pad. r²
utilizando modelos de regressão linear e obteve o maior 0,5 0,22406 0,14463
r²=0,86. 1,0 0,37395 0,15095
O modelo linear que será utilizado neste trabalho irá gerar 2,0 0,62465 0,11405
os parâmetros independentes da equação 3 para o caso das 3,0 0,66761 0,10307
imagens PLEIADES e da equação 4 para as imagens WV-2.
Table 2: Tabela com os resultados médios de r² e desvio padrão
.
do modelo linear aplicado nas imagens WV-2.
LAI = β0 +β1 BLU E+β2 RED+β3 GREEN +β4 N IR+ε
(3) 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
LAI =β0 + β1 COAST AL + β2 BLU E + β3 GREEN extrapolação do LAI em ambas as imagens. Como o
+ β4 Y ELLOW + β5 RED + β6 REDE DGE registro (georreferenciamento) das imagens multiespectrais
+ β7 N IR1 + β8 N IR2 + ε em relação ao LAI gerado pelo LiDAR é fator crucial, esse
(4) valor de r² mostra que existe certo deslocamento entre as
Os parâmetros independentes serão obtidos pelo imagens, fazendo com que os pixels das copas das árvores nas
modelo linear a partir dos dados LAI que foram imagens multiespectrais e no LAI não estejam sobrepostos.
coletados em campo pelo LiDAR acoplado no VANT Com a progressiva reamostragem do tamanho dos pixels
(β0 , β1 , β2 , β3 , β4 , β5 , β6 , β7 , β8 ). Já os parâmetros esse problema vai sendo atenuado, visto que conforme a
dependentes serão as bandas das imagens de satélite dimensão do pixel vai aumenta, os pixels da feições (nesse
multiespectrais. caso, os pixels das copas das árvores) vão se sobrepondo
Com o objetivo de testar a influência da resolução espacial em ambas as imagens (PLEIADES e WV-2, corrigindo
nas estimativas do LAI, as imagens originais (GSD=0,5m) possíveis problemas de deslocamento entre elas), resultando
foram reamostradas para 1m, 2m e 3m utilizando um em melhores valores de r². Logo, com a reamostragem dos
interpolador por vizinho mais próximo. Esse interpolador foi pixels se garante a sobreposição das feições (no caso, as copas
escolhido por modificar menos os valores dos pixels. das árvores) nas imagens multiespectrais e no LAI gerado
Para testar a capacidade de generalização do modelo foram pelo LiDAR. Por isso, observa-se o aumento dos valores
treinados 1000 modelos lineares, escolhendo-se diferentes médios de r² de 0,22 na resolução original para r² = 0,72 nas
copas de treinamento e teste para cada valor a as imagens imagens PLEIADES e r²= 0,66 para as imagens WV-2 (para
originais (GSD=0,5m) e para as imagens reamostradas (1m, um pixel de 3m).
https://proceedings.science/p/164690?lang=pt-br 2442
Os valores das médias de r² para o sensor WV-2 foram #248486/2019 e #259727/2021. MPF agradece o apoio
menores do que para o sensor PLEIADES. Essa diferença do Conselho Nacional de Desenvolvimento Científico e
pode ser explicada devido ao deslocamento entre as copas das Tecnológico (CNPq), processo n. 306345/2020-0.
árvores nas imagens dos dois sensores em relação ao LAI,
visto que o delineamento das copas das árvores foi feito na 6. REFERENCES
imagem PLEIADES.
Estudos com abordagens semelhantes, conforme citado no [1] Rudolf S De Groot, Matthew A Wilson, and Roelof MJ
item 2.4, obtiveram resultados semelhantes de r². O maior Boumans. A typology for the classification, description
r² obtido no estudo elaborado por [9] foi 0,86, combinando and valuation of ecosystem functions, goods and services.
dados LiDAR com NDVI e variáveis de modelos de alturas Ecological economics, 41(3):393–408, 2002.
dos dosséis. O outro estudo, que foi elaborado por [8], obteve [2] Francisco J Escobedo, Timm Kroeger, and John E Wagner.
Urban forests and pollution mitigation: Analyzing ecosystem
em um modelo combinado de dados LiDAR com NDVI um
services and disservices. Environmental pollution, 159(8-
r² de 0,79 em um dos casos apresentado. 9):2078–2087, 2011.
O maior valor de r² obtido para o estudo proposto foi
de 0,72465, um valor abaixo dos valores encontrados nos [3] Samson Roeland, Marco Moretti, Jorge Humberto Amorim,
Cristina Branquinho, Silvano Fares, Federico Morelli, Ülo
outros trabalhos, esse fato pode ser explicado devido aos
Niinemets, Elena Paoletti, Pedro Pinho, Gregorio Sgrigna, et al.
outros estudos utilizarem índices de vegetação para auxiliar Towards an integrative approach to evaluate the environmental
na estimativa do LAI. ecosystem services provided by urban forest. Journal of Forestry
A avaliação da qualidade dos dados estimados (ou seja, não Research, 30(6):1981–1996, 2019.
determinísticos) foi feita pelo r2 , que é um valor que possui
[4] Kai Wang, Steven E Franklin, Xulin Guo, and Marc Cattet.
incertezas inerentes associados ao modelo, que são mostradas Remote sensing of ecology, biodiversity and conservation: a
aqui nesse estudo pelo desvio padrão. Em todos os resultados review from the perspective of remote sensing specialists.
se obtiveram valores de incerteza (desvio padrão) baixos. Sensors, 10(11):9647–9667, 2010.
[5] Bruno Aiazzi, Stefano Baronti, Franco Lotti, and Massimo
4. CONCLUSÃO Selva. A comparison between global and context-adaptive
pansharpening of multispectral images. IEEE Geoscience and
A extrapolação (uma estimativa utilizando uma regressão Remote Sensing Letters, 6(2):302–306, 2009.
linear) dos dados LAI gerados pelo LiDAR utilizando as [6] Blaise Tymen, Grégoire Vincent, Elodie A Courtois, Julien
imagens de satélite multiespectrais resultou no maior valor Heurtebize, Jean Dauzat, Isabelle Marechaux, and Jérôme
de r2 0,72465 com 0,09411 de desvio padrão para o pixel Chave. Quantifying micro-environmental variation in tropical
de 3m. Isso significa que a equação do modelo linear está rainforest understory at landscape scale by combining airborne
bem ajustada (ou seja, um modelo preciso e exato, pois tem lidar scanning and a sensor network. Annals of Forest Science,
r2 alto e desvio padrão baixo), podendo ser utilizada para 74(2):1–13, 2017.
estimar o LAI em grandes tratos (> 30 ha), sendo uma [7] Jinru Xue and Baofeng Su. Significant remote sensing
opção não destrutiva, menos onerosa e de logística mais vegetation indices: A review of developments and applications.
simples para os gestores públicos que gerenciam florestas, por Journal of sensors, 2017, 2017.
exemplo. Com isso é possível utilizar esse modelo linear de [8] Graham Pope and Paul Treitz. Leaf area index (lai) estimation in
obtenção de LAI na região do JBRJ e seus arredores, não se boreal mixedwood forest of ontario, canada using light detection
limitando apenas a área do aerolevantamento. Isso gera maior and ranging (lidar) and worldview-2 imagery. Remote sensing,
celeridade na estimativa de informações importantes para a 5(10):5040–5063, 2013.
floresta urbana. Este trabalho também abre oportunidades [9] Alicia MR Griffin, Sorin C Popescu, Kaiguang Zhao, et al.
de pesquisa principalmente utilizando outros parâmetros além Using lidar and normalized difference vegetation index to
do LAI para a elaboração dos modelos de regressão ou até o remotely determine lai and percent canopy cover. Proceedings
uso de imagens hiperespectrais. of SilviLaser, 2008:8th, 2008.
5. AGRADECIMENTOS
https://proceedings.science/p/164690?lang=pt-br 2443
Powered by TCPDF (www.tcpdf.org)