Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/42994
metadata.teses.dc.title: Predição da diversidade arbórea no sudeste do Brasil utilizando sensoriamento remoto e aprendizagem de máquina
metadata.teses.dc.title.alternative: Prediction of tree diversity in Southeast Brazil using remote sensing and machine learning
metadata.teses.dc.creator: Batista, Maria Cleidivane Alves
metadata.teses.dc.creator.Lattes: http://lattes.cnpq.br/7197631738093398
metadata.teses.dc.contributor.advisor1: Acerbi Júnior, Fausto Weimar
metadata.teses.dc.contributor.advisor-co1: Terra, Marcela de Castro Nunes Santos
metadata.teses.dc.contributor.advisor-co2: Silveira, Eduarda Martiniano de Oliveira
metadata.teses.dc.contributor.referee1: Acerbi Júnior, Fausto Weimar
metadata.teses.dc.contributor.referee2: Terra, Marcela de Castro Nunes Santos
metadata.teses.dc.contributor.referee3: Carvalho, Mônica Canaan
metadata.teses.dc.subject: Diversidade arbórea
Modelagem ambiental
Random forest
Sensoriamento remoto
Tree diversity
Environmental modelling
Remote sensing
metadata.teses.dc.date.issued: 11-Sep-2020
metadata.teses.dc.description.sponsorship: Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG)
metadata.teses.dc.identifier.citation: BATISTA, M. C. A. Predição da diversidade arbórea no sudeste do Brasil utilizando sensoriamento remoto e aprendizagem de máquina. 2020. 56 p. Dissertação (Mestrado em Engenharia Florestal) – Universidade Federal de Lavras, Lavras, 2020.
metadata.teses.dc.description.resumo: Conhecer a biodiversidade de uma região consiste em importante ferramenta de gestão no que diz respeito ao desenvolvimento sustentável. Para isso, são utilizados índices que sintetizam informações de riqueza e uniformidade das espécies de uma área, com base em levantamentos de campo, que por sua vez são demorados e dispendiosos. A modelagem ambiental utilizando variáveis de fácil obtenção (como as provenientes de sensoriamento remoto) tem auxiliado muito nesse processo, diminuindo a necessidade de tais levantamentos. Por outro lado, tendo em vista a grande quantidade de dados disponíveis para o uso na modelagem, surge outro desafio que é a seleção das variáveis que mais contribuem para a predição da métrica em questão, sendo os algoritmos de aprendizagem de máquina bastante eficientes nessa questão. Diante disso, objetivou-se modelar e mapear a diversidade arbórea para o estado de Minas Gerais utilizando o algoritmo Random Forest (RF) e variáveis climáticas, de terreno e de sensoriamento remoto. Também procurou-se responder as seguintes questões: (1) Quais variáveis têm maior potencial preditor para cada métrica de diversidade? (2) Qual o padrão de distribuição espacial da diversidade arbórea para o estado de Minas Gerais? (3) Existe um consenso entre as métricas de diversidade? Foram utilizadas informações do inventário florestal de Minas Gerais de 2755 parcelas amostrais para obtenção das métricas de diversidade e 115 variáveis preditoras. A modelagem foi realizada no software Rstudio. Os modelos gerados pelo RF para todas as métricas tiveram em média R² de 0,46 e RMSE (%) de 20,73. De forma geral, as variáveis selecionadas mais representativas para as métricas foram precipitação (climática), produtividade primária bruta (sensoriamento remoto) e profundidade do vale (terreno). Os mapas gerados para o estado mostram que a diversidade arbórea aumenta de Norte a Sul e Noroeste a Sudeste, estando fortemente associada aos domínios morfoclimáticos. A maior diversidade arbórea se concentrou no domínio Atlântico, diminuindo um pouco no domínio do Cerrado e a menor diversidade foi para o domínio da Caatinga. O índice alfa de Fisher teve um maior consenso com a riqueza, e os índices de Shannon e Simpson acordaram mais entre si. Pielou, por representar uniformidade, apresentou padrão diferente. Conclui-se que as variáveis selecionadas pelo RF conseguiram captar as diferenças existentes entre os domínios e representar bem os padrões espaciais de diversidade arbórea de Minas Gerais.
metadata.teses.dc.description.abstract: Knowing the biodiversity of a region is an important management tool with regard to sustainable development. For that, indexes are used that synthesize information on the richness and uniformity of species in an area, based on field surveys, which in turn are time-consuming and expensive. Environmental modelling using easily obtainable variables (such as from remote sensing) has helped a lot in this process, reducing the need for such surveys. On the other hand, in view of the large amount of data available for use in modelling, another challenge arises, which is the selection of variables that most contribute to the prediction of the metric in question and the machine learning algorithms are quite efficient in this matter. Therefore, the objective was to model and map tree diversity for the state of Minas Gerais using the Random Forest (RF) algorithm and climatic, terrain and remote sensing variables. We also tried to answer the following questions: (1) Which variables have the greatest predictive potential for each diversity metric? (2) What is the pattern of spatial distribution of tree diversity for the state of Minas Gerais? (3) Is there a consensus among the diversity metrics? Information from the forest inventory of 2755 sample plots was used to obtain diversity metrics and 115 predictor variables. The modelling was performed using the Rstudio software. The models generated by the RF for all metrics had an average R² of 0.46 and RMSE (%) of 20,73. In general, the most representative selected variables for the metrics were precipitation (climatic), gross primary productivity (remote sensing) and valley depth (terrain). The maps generated for the state show that the tree diversity increases from North to South and Northwest to Southeast, being strongly associated with the morphoclimatic domains. The greatest tree diversity was concentrated in the Atlantic domain, decreasing slightly in the Cerrado domain and the least diversity was in the Caatinga domain. Fisher's alpha index had a greater consensus with richness, and the Shannon and Simpson indexes agreed more with each other. Pielou, for representing uniformity, presented a different pattern. It is concluded that the variables selected by the RF managed to capture the existing differences between the domains and represent well the spatial patterns of tree diversity in Minas Gerais.
metadata.teses.dc.identifier.uri: http://repositorio.ufla.br/jspui/handle/1/42994
metadata.teses.dc.publisher: Universidade Federal de Lavras
metadata.teses.dc.language: por
Appears in Collections:DCF - Engenharia Florestal - Mestrado (Dissertações)



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.