@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/ibi/8JMKD3MGP3W34R/4299LFP",
targetfile = "publicacao.pdf",
urlaccessdate = "26 abr. 2024"
}