Fechar
Metadados

@MastersThesis{Santos:2018:EsBiFl,
               author = "Santos, Erone Ghizoni dos",
                title = "Estimativa de biomassa florestal no estado do Mato Grosso a partir 
                         de dados do Lidar e Landsat",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2018",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2018-07-25",
             keywords = "Amaz{\^o}nia, biomassa, floresta degradada, LiDAR, sensoriamento 
                         remoto, Amazon, biomass, degraded forest, lidar, remote sensing.",
             abstract = "A Floresta Amaz{\^o}nica brasileira tem passado por um intenso 
                         processo de desmatamento (corte raso) e degrada{\c{c}}{\~a}o 
                         florestal, que afeta de forma direta os estoques de carbono deste 
                         ecossistema. Os processos de degrada{\c{c}}{\~a}o podem ser 
                         causados por dist{\'u}rbios naturais e/ou antr{\'o}picos, e 
                         podem variar em extens{\~a}o, severidade, qualidade, origem e 
                         frequ{\^e}ncia. Enquanto o desmatamento causa efeitos colaterais 
                         diretos na floresta Amaz{\^o}nica, os efeitos derivados da 
                         degrada{\c{c}}{\~a}o florestal ocorrem de maneira mais gradual, 
                         afetando de maneira persistente as condi{\c{c}}{\~o}es 
                         estruturais e de servi{\c{c}}os ecossist{\^e}micos. No 
                         ecossistema Amaz{\^o}nico as estimativas de emiss{\~o}es de 
                         carbono ainda divergem na literatura. Isto ocorre principalmente 
                         pela limita{\c{c}}{\~a}o da disponibilidade de dados sobre a 
                         estrutura florestal. Uma alternativa para aquisi{\c{c}}{\~a}o de 
                         dados estruturais da floresta {\'e} a utiliza{\c{c}}{\~a}o de 
                         tecnologias Light Detection and Ranging (LiDAR). Neste sentido, a 
                         integra{\c{c}}{\~a}o entre dados de sensoriamento remoto 
                         orbitais com LiDAR pode providenciar novas abordagens para 
                         gera{\c{c}}{\~a}o de informa{\c{c}}{\~o}es sobre a 
                         distribui{\c{c}}{\~a}o de {\'a}reas degradadas na 
                         Amaz{\^o}nia, bem como, o desenvolvimento de novos m{\'e}todos e 
                         modelos que permitam acessar informa{\c{c}}{\~o}es sobre 
                         modifica{\c{c}}{\~o}es estruturais da floresta (p. ex. biomassa) 
                         em {\'a}reas degradadas. O objetivo geral deste trabalho foi 
                         realizar a integra{\c{c}}{\~a}o de dados de sensoriamento remoto 
                         orbital (Landsat) e LiDAR multitemporais para gera{\c{c}}{\~a}o 
                         de mapas de biomassa a{\'e}rea viva e total em {\'a}reas 
                         degradadas da Floresta Amaz{\^o}nica no estado do Mato Grosso 
                         para os anos 2000 e 2017. Al{\'e}m disto, foi realizada uma 
                         compara{\c{c}}{\~a}o com mapas de biomassa atualmente 
                         dispon{\'{\i}}veis na literatura. Para quantificar a biomassa 
                         nesta {\'a}rea, testou-se como vari{\'a}veis independentes, 
                         {\'{\i}}ndices de vegeta{\c{c}}{\~a}o, raz{\~o}es entre 
                         bandas, dados de textura (Grey Level Co-occurrence Matrix GLCM) e 
                         imagens fra{\c{c}}{\~o}es derivadas do Modelo Linear de Mistura 
                         Espectral (MLME). Os resultados mostraram que a 
                         integra{\c{c}}{\~a}o dos dados permite boas estimativas de 
                         biomassa em {\'a}reas de florestas degradadas. O estoque de 
                         biomassa para o ano de 2017 do bioma Amaz{\^o}nia no estado do 
                         Mato Grosso, apresentou 4,41 Tg com m{\'e}dia de 155,12 Mg/ha  
                         44,91 Mg/ha. Entre os 17 anos, as maiores modifica{\c{c}}{\~o}es 
                         foram encontradas na classe de 0 a 50 Mg/ha, sendo que, nesta 
                         classe {\'e} onde est{\~a}o as {\'a}reas afetadas pelo 
                         desmatamento (biomassa = 0 Mg/ha). A integra{\c{c}}{\~a}o entre 
                         dados LiDAR com imagens Landsat proporcionou a 
                         elabora{\c{c}}{\~a}o de modelos gen{\'e}ricos que permitem a 
                         aplica{\c{c}}{\~a}o em diferentes datas. Al{\'e}m disso, 
                         consegue explicar cerca de 47% da varia{\c{c}}{\~a}o da biomassa 
                         total na regi{\~a}o analisada. ABSTRACT: The Brazilian Amazonian 
                         Forest has undergone an intense process of deforestation (forest 
                         clearing) and forest degradation, which directly affects the 
                         carbon stocks of this ecosystem. The degradation processes may be 
                         caused by natural and/or anthropogenic disturbances, and may vary 
                         in extent, severity, quality, origin and frequency. While 
                         deforestation causes direct effects in the Amazon rainforest, the 
                         effects of forest degradation occur gradually, affecting 
                         persistently the structural conditions and ecosystem services. In 
                         the Amazon ecosystem, estimates of carbon emissions still diverge 
                         in the literature. This is mainly due to the limited availability 
                         of data on the forest structure. An alternative for the 
                         acquisition of forest structural data is the use of Light 
                         Detection and Ranging (LiDAR) technologies. In this sense, the 
                         integration of orbital remote sensing data with LiDAR can provide 
                         new approaches for the generation of information on the 
                         distribution of degraded areas in the Amazon, as well as the 
                         development of new methods and models that allow access to 
                         information on structural modifications of the forest (e.g. 
                         biomass) in degraded areas. The main objective of this work was to 
                         integrate multitemporal orbital remote sensing (Landsat) and LiDAR 
                         data for the generation of live and total aerial biomass maps in 
                         degraded areas of the Amazon Forest in the state of Mato Grosso 
                         for the years 2000 and 2017. In addition, a comparison was made 
                         with biomass maps currently available in the literature. To 
                         quantify the biomass in this area, independent variables as 
                         vegetation indices, inter-band ratios, texture data (Gray Level 
                         Co-occurrence Matrix (GLCM) and images derived from the Linear 
                         Spectral Mixture Model (LSMM) were tested as independent 
                         variables. The results showed that data integration allows good 
                         estimates of biomass in degraded forest areas. The biomass stock 
                         for the year 2017 of the Amazon biome in the state of Mato Grosso, 
                         presenting 4.41 Tg with a mean of 155.12 Mg/ha  44.91 Mg/ha. 
                         Among the 17 years, the greatest changes were found in the class 
                         from 0 to 50 Mg/ha, and in this class are the areas affected by 
                         deforestation (biomass = 0 Mg/ha). The integration of LiDAR data 
                         with Landsat images provided the elaboration of generic models 
                         that allow the application in different dates. In addition, it can 
                         explain about 47% of the total biomass variation in the analyzed 
                         region.",
            committee = "Escada, Maria Isabel Sobral (presidente) and Shimabukuro, Yosio 
                         Edemir (orientador) and Arag{\~a}o, Luiz Eduardo Oliveira e Cruz 
                         and Gon{\c{c}}alves, Fabio Guimar{\~a}es",
         englishtitle = "Forest biomass estimative in Mato Grosso state from Lidar and 
                         Landsat data",
             language = "pt",
                pages = "115",
                  ibi = "8JMKD3MGP3W34R/3REBD95",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34R/3REBD95",
           targetfile = "publicacao.pdf",
        urlaccessdate = "04 dez. 2020"
}


Fechar