Fechar
Metadados

@PhDThesis{Almeida:2020:InLiHy,
               author = "Almeida, Catherine Torres de",
                title = "Integration of LiDAR and hyperspectral data for forest disturbance 
                         characterization and aboveground biomass estimation in the 
                         Brazilian Amazon",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2020",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2020-03-04",
             keywords = "hyperspectral remote sensing, laser scanning, data fusion, 
                         tropical forest, secondary successions, sensoriamento remoto 
                         hiperespectral, perfilamento a laser, fus{\~a}o de dados, 
                         floresta tropical, sucess{\~o}es secund{\'a}rias.",
             abstract = "Advancements in remote sensing technologies provide new 
                         opportunities to answer complex ecological questions in tropical 
                         forests, which play a crucial role on the stability of global 
                         biogeochemical cycles and biodiversity. Light Detection And 
                         Ranging (LiDAR) and Hyperspectral Imaging (HSI) provide 
                         complementary information that can potentially improve the 
                         characterization of tropical forests and reduce the uncertainties 
                         in estimating greenhouse gas emissions from deforestation and 
                         forest degradation. This thesis aims to explore optimal procedures 
                         for improving tropical forest disturbance characterization and 
                         aboveground biomass (AGB) modeling using integrated LiDAR and HSI 
                         data and advanced machine learning algorithms. The study area 
                         covered 12 sites distributed across the Brazilian Amazon biome, 
                         spanning a variety of environmental and anthropogenic conditions. 
                         The methods were divided into three parts: (1) classification of 
                         forest disturbance status (Chapter 5); (2) AGB modeling (Chapter 
                         6); and (3) analysis of the AGB variability according to 
                         anthropogenic and environmental variables (Chapter 7). Firstly, 
                         four classes of forest disturbance (undisturbed forests, disturbed 
                         mature forests, and two stages of secondary forests) were 
                         identified using Landsat time series between 1984 and 2017. 
                         Several LiDAR and HSI metrics obtained over 600 sample plots were 
                         then used as input data to three machine learning models for 
                         distinguishing those classes. Secondly, georeferenced inventory 
                         data from 132 sample plots were used to obtain a reference field 
                         AGB. A great number of LiDAR and HSI metrics (45 and 288, 
                         respectively) were submitted to a correlation filtering followed 
                         by a feature selection procedure (recursive feature elimination) 
                         to optimize the performance of six regression models. Finally, the 
                         average of AGB predictions from the best multisensor models was 
                         calculated over 600 sample plots where field AGB data were not 
                         available. A multivariable linear regression model was then used 
                         to assess the extent to which the predicted AGB variability was 
                         affected by anthropogenic (disturbance type and time) and 
                         environmental (annual rainfall, climatic water deficit, and 
                         topography) factors in secondary and mature forests. Overall, the 
                         results showed that the combination of LiDAR and HSI data improved 
                         both the classification of forest disturbances and the estimation 
                         of AGB compared to using a single data source. Using multisource 
                         remote sensing data was more effective than using advanced machine 
                         learning for both classification and regression models. The 
                         LiDAR-based upper canopy cover and the HSI-based absorption bands 
                         in the nearinfrared (NIR) and shortwave infrared (SWIR) spectral 
                         regions were the most influential metrics for characterizing the 
                         disturbance status and estimating AGB. Anthropogenic disturbances 
                         played the greatest effect on predicted AGB variability, reducing 
                         up to 44% the AGB of disturbed mature forests compared to the 
                         undisturbed ones. Secondary forests displayed an AGB recovery rate 
                         of 4.4 Mg.ha-1.yr-1. Water deficit also affected the variability 
                         of AGB in both mature and secondary forests, suggesting a lower 
                         recovery potential in water-stressed areas. The results highlight 
                         the potential of integrating LiDAR and HSI data for improving our 
                         understanding of forest dynamics in the face of increasing 
                         anthropogenic global changes. RESUMO: Os avan{\c{c}}os nas 
                         tecnologias de sensoriamento remoto oferecem novas oportunidades 
                         para responder a quest{\~o}es ecol{\'o}gicas complexas em 
                         florestas tropicais, que desempenham um papel crucial nos ciclos 
                         biogeoqu{\'{\i}}micos globais e na biodiversidade. O 
                         sensoriamento remoto LiDAR (Light Detection And Ranging) e HSI 
                         (imageamento hiperespectral) fornecem informa{\c{c}}{\~o}es 
                         complementares que podem melhorar a caracteriza{\c{c}}{\~a}o das 
                         florestas tropicais e reduzir as incertezas na estimativa das 
                         emiss{\~o}es de gases de efeito estufa devido ao desmatamento e 
                         degrada{\c{c}}{\~a}o florestal. Esta tese visa explorar os 
                         procedimentos ideais para melhorar a caracteriza{\c{c}}{\~a}o de 
                         dist{\'u}rbios das florestas tropicais e a modelagem de biomassa 
                         acima do solo (AGB) atrav{\'e}s do uso de dados LiDAR e HSI 
                         integrados e algoritmos avan{\c{c}}ados de aprendizado de 
                         m{\'a}quina. A {\'a}rea de estudo abrangeu 12 locais 
                         distribu{\'{\i}}dos no bioma Amaz{\^o}nia no Brasil, incluindo 
                         uma variedade de condi{\c{c}}{\~o}es ambientais e 
                         antropog{\^e}nicas. Os m{\'e}todos foram divididos em tr{\^e}s 
                         partes: (1) classifica{\c{c}}{\~a}o do status de dist{\'u}rbio 
                         florestal (Cap{\'{\i}}tulo 5); (2) modelagem da AGB 
                         (Cap{\'{\i}}tulo 6); e (3) an{\'a}lise da variabilidade da AGB 
                         segundo vari{\'a}veis antropog{\^e}nicas e ambientais 
                         (Cap{\'{\i}}tulo 7). Primeiramente, quatro classes de 
                         dist{\'u}rbios florestais (florestas n{\~a}o perturbadas, 
                         florestas maduras perturbadas e dois est{\'a}gios de florestas 
                         secund{\'a}rias) foram identificadas usando s{\'e}ries temporais 
                         do Landsat entre 1984 e 2017. V{\'a}rias m{\'e}tricas de LiDAR e 
                         HSI obtidas em 600 parcelas amostrais foram usadas como dados de 
                         entrada em tr{\^e}s modelos de aprendizado de m{\'a}quina para 
                         distinguir essas classes. Em segundo lugar, dados de 
                         invent{\'a}rio georreferenciados de 132 parcelas amostrais foram 
                         usados para obter a AGB de refer{\^e}ncia. Um grande n{\'u}mero 
                         de m{\'e}tricas LiDAR e HSI (45 e 288, respectivamente) foram 
                         submetidas a um filtro de correla{\c{c}}{\~a}o seguido de um 
                         procedimento de sele{\c{c}}{\~a}o de atributos (Recursive 
                         Feature Elimination) para otimizar o desempenho de seis modelos de 
                         regress{\~a}o. Finalmente, a m{\'e}dia das estimativas de AGB 
                         derivadas dos melhores modelos multisensores foi calculada em 600 
                         parcelas amostrais onde os dados de AGB de campo n{\~a}o estavam 
                         dispon{\'{\i}}veis. Um modelo de regress{\~a}o linear 
                         multivari{\'a}vel foi ent{\~a}o usado para avaliar at{\'e} que 
                         ponto a variabilidade da AGB {\'e} afetada por fatores 
                         antropog{\^e}nicos (tipo e tempo de dist{\'u}rbio florestal) e 
                         ambientais (precipita{\c{c}}{\~a}o anual, d{\'e}ficit 
                         h{\'{\i}}drico clim{\'a}tico e topografia) em florestas 
                         secund{\'a}rias e maduras. No geral, os resultados obtidos nos 
                         tr{\^e}s cap{\'{\i}}tulos mostraram que a 
                         combina{\c{c}}{\~a}o dos dados LiDAR e HSI melhorou a 
                         classifica{\c{c}}{\~a}o dos dist{\'u}rbios florestais e a 
                         estimativa da AGB em compara{\c{c}}{\~a}o ao uso de uma 
                         {\'u}nica fonte de dados. O uso de dados de sensoriamento remoto 
                         de v{\'a}rias fontes foi mais eficaz do que as t{\'e}cnicas 
                         avan{\c{c}}adas de aprendizado de m{\'a}quina para os modelos de 
                         classifica{\c{c}}{\~a}o e regress{\~a}o. A cobertura superior 
                         do dossel baseada em dados LiDAR e as bandas de 
                         absor{\c{c}}{\~a}o baseadas em dados HSI nas regi{\~o}es 
                         espectrais de infravermelho pr{\'o}ximo e infravermelho de ondas 
                         curtas foram as m{\'e}tricas mais influentes para caracterizar o 
                         status de perturba{\c{c}}{\~a}o e estimar a AGB. Os 
                         dist{\'u}rbios antropog{\^e}nicos tiveram o maior efeito na 
                         variabilidade da AGB derivada de dados multisensores, reduzindo em 
                         at{\'e} 44% a AGB de florestas maduras perturbadas em 
                         compara{\c{c}}{\~a}o com as n{\~a}o perturbadas. As florestas 
                         secund{\'a}rias apresentaram uma taxa de recupera{\c{c}}{\~a}o 
                         de AGB de 4,4 Mg.ha-1.ano-1. O d{\'e}ficit h{\'{\i}}drico 
                         tamb{\'e}m afetou a variabilidade da AGB em florestas maduras e 
                         secund{\'a}rias, sugerindo um menor potencial de 
                         recupera{\c{c}}{\~a}o em {\'a}reas sob alto estresse 
                         h{\'{\i}}drico. Os resultados destacam o potencial da 
                         integra{\c{c}}{\~a}o de dados LiDAR e HSI para melhorar nosso 
                         entendimento da din{\^a}mica florestal diante das crescentes 
                         mudan{\c{c}}as globais antropog{\^e}nicas.",
            committee = "Anderson, Liana Oighenstein (presidente) and Galv{\~a}o, 
                         L{\^e}nio Soares (orientador) and Arag{\~a}o, Luiz Eduardo 
                         Oliveira e Cruz de (orientador) and Ometto, Jean Pierre Henry 
                         Balbaud and Gra{\c{c}}a, Paulo Maur{\'{\i}}cio Lima de 
                         Alencastro and Keller, Michael Maier",
         englishtitle = "Integra{\c{c}}{\~a}o de dados LiDAR e hiperespectrais para a 
                         caracteriza{\c{c}}{\~a}o de dist{\'u}rbios florestais e a 
                         estimativa da biomassa acima do solo na Amaz{\^o}nia Brasileira",
             language = "en",
                pages = "126",
                  ibi = "8JMKD3MGP3W34R/4299LFP",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34R/4299LFP",
           targetfile = "publicacao.pdf",
        urlaccessdate = "13 abr. 2021"
}


Fechar