Buscar

 

RI UFLA (Universidade Federal de Lavras) >
DCF - Departamento de Ciências Florestais >
DCF - Programa de Pós-graduação >
DCF - Engenharia Florestal - Mestrado (Dissertações) >

Por favor, utilize esse identificador para citar este item ou usar como link: http://repositorio.ufla.br/jspui/handle/1/11767

Título: Séries temporais TM/RapidEye para a detecção de pequenos distúrbios em florestas tropicais
Título Alternativo: TM/RapidEye time series for detection of small disturbances in tropical forests
Autor(es): Carvalho, Nathália Silva de
Lattes: http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=k4461809t5
Orientador: Carvalho, Luis Marcelo Tavares de
Membro da banca: Fernandes Filho, Elpídio Inácio
Membro da banca: Volpato, Margarete Marin Lordelo
Assunto: Gestão ambiental
Florestas tropicais
Desmatamento – Controle - Métodos estatísticos
Análise de séries temporais
Algorítmos computacionais
Environmental management
Rain forests
Deforestation – Control - Statistical methods
Time-series analysis
Computer algorithms
TM/RapidEye
BFAST Monitor
Data de Defesa: 20-Mai-2016
Data de publicação: 13-Set-2016
Agência de Fomento: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
Referência: CARVALHO, N. S. de. Séries temporais TM/RapidEye para a detecção de pequenos distúrbios em florestas tropicais. 2016. 115 p. Dissertação (Mestrado em Engenharia Florestal)-Universidade Federal de Lavras, Lavras, 2016.
Resumo: Esta dissertação foi desenvolvida fundamentando-se na necessidade de novas metodologias para auxiliar na fiscalização dos remanescentes de vegetação nativa, principalmente para áreas com um alto nível de fragmentação florestal. Além disso, os ecossistemas tropicais são fundamentais para a manutenção dos serviços ecológicos, além de abrigarem a maior biodiversidade mundial. Entretanto, o desmatamento corresponde a uma das principais atividades antrópicas que têm afetado a estabilidade desses ambientes. Dessa maneira, o monitoramento da dinâmica das florestas tropicais é fundamental para a tomada de decisão para a gestão pública e ambiental desses ecossistemas. Neste contexto, esta dissertação foi estruturada em dois capítulos, dos quais no primeiro aborda-se toda a problemática para o monitoramento de desmatamentos de pequena escala em ecossistemas tropicais, que têm grande interferência antrópica. Já o segundo capítulo inclui a aplicação de uma nova metodologia para a detecção de pequenos desmatamentos, considerando as lacunas do conhecimento para o monitoramento da vegetação em ecossistemas tropicais. Diante disso, o objetivo geral, neste trabalho, foi propor uma nova metodologia utilizando séries temporais multissensor (TM/RapidEye) baseadas em objeto, para reduzir o tempo computacional e melhorar a precisão da detecção automática de pequenos desmatamentos, aplicando o algoritmo BFAST Monitor. O estudo foi desenvolvido em uma área de Mata Atlântica, localizada em Santa Catarina, no sul do Brasil. Neste bioma, o processo de desmatamento é caracterizado por pequenos eventos pontuais dispersos em uma matriz antrópica. Para a construção das séries temporais, foram adquiridas 230 imagens TM (órbita/ponto 227/068), entre 1984 e 2011 e 20 imagens RapidEye (tile 2226122), entre 2009 e 2011. Foram construídas oito séries temporais com imagens-objeto, sendo o valor de cada pixel correspondente ao valor do parâmetro estatístico extraído de cada objeto (média ou mínimo), em cada imagem da série temporal. Na análise pelo BFAST Monitor, é necessária a definição de um período histórico e um período de monitoramento. Em seguida, um modelo de regressão é ajustado para o conjunto de dados identificado como período histórico estável. A identificação deste período é fundamental para distinguir as mudanças entre naturais e abruptas (mudanças de interesse). Posteriormente, a estabilidade deste modelo é testada para o conjunto de dados do período de monitoramento. Se a hipótese de estabilidade estrutural for rejeitada, um breakpoint (possível mudança) será detectado. Neste trabalho, o período histórico foi configurado entre 1984 e 2010 e o período de monitoramento como o ano de 2011. Os resultados obtidos elucidaram um grande potencial da metodologia aplicada, uma vez que o uso de imagens-objeto reduziu o tempo de processamento em 95% e a inserção de imagens RapidEye para a construção de séries temporais multissensor determinou um aumento de quatro vezes na capacidade de detecção automática dos pequenos desmatamentos identificados na região avaliada.
Abstract: This dissertation was developed based on the need for new methodologies to assist in the inspection of remaining native vegetation, especially for areas with a high level of forest fragmentation. Furthermore, considering the tropical ecosystems, they are essential for the maintenance of ecological services, and shelter the world's largest biodiversity. However, deforestation represents one of the principal human activities that have affected the stability of these environments. Thus, monitoring the dynamics of tropical forests is critical for decision-making for public and environmental management of these ecosystems. Given this context, this work was structured in two chapters, in which the first chapter covers all problematic for monitoring of small-scale deforestation in tropical ecosystems, which have a great anthropic interference. The second chapter includes the application of a new methodology for the detection of small deforestations, considering the knowledge gaps for monitoring the vegetation in tropical ecosystems. Thus, the aim of this study was to propose a new methodology using object-based multi-sensor time series (TM/RapidEye), to reduce the computational time and improve the accuracy of automatic detection of small deforestations, applying the BFAST Monitor algorithm. The study was developed in an Atlantic Forest area, located in Santa Catarina, in southern Brazil. In this biome, the deforestation process is characterized by small punctual events dispersed in an anthropic matrix. For the construction of the time series, 230 TM images were acquired (path/row 227/068), between 1984 and 2011, and 20 RapidEye images (tile 2226122) from 2009 to 2011. Eight time series were built with object-images, the value of each pixel corresponding to the value of the statistical parameter extracted from each object (average or minimum) in each image of the time series. In the analysis by BFAST Monitor it is necessary to define a historical period and a monitoring period. A regression model is then fit to the data set identified as the stable historical period. The identification of this period is critical f or distinguishing between natural and abrupt changes (changes of interest). Subsequently, stability in this model is tested for the monitoring period data set. If the structural stability hypothesis is rejected, a breakpoint (potential change) is detected. In this work, the historical period was set between 1984 and 2010 and the monitoring period as the year 2011. The results elucidated great potential on the methodology, since the use of object-images reduced processing time by 95%, and inserting RapidEye images for building multi-sensor time series, provided a fourfold increase in the automatic detection capability of small deforestations identified in the assessed region.
Informações adicionais: Arquivo retido a pedido da autora até setembro de 2017.
URI: http://repositorio.ufla.br/jspui/handle/1/11767
Publicador: Universidade Federal de Lavras
Idioma: por
Aparece nas coleções: DCF - Engenharia Florestal - Mestrado (Dissertações)

Arquivos neste Item:

Não há arquivos associados para este Item.

Itens protegidos por copyright, com todos os direitos reservados, Salvo indicação em contrário.


Mostrar estatísticas

 


DSpace Software Copyright © 2002-2007 MIT and Hewlett-Packard - Feedback