[en] AN EVALUATION OF DEEP LEARNING TECHNIQUES FOR FOREST PARAMETERS ESTIMATION IN THE BRAZILIAN LEGAL AMAZON FROM MULTI-SOURCE REMOTE SENSING IMAGERY

[pt] AVALIAÇÃO DE MODELOS DE DEEP LEARNING PARA ESTIMAÇÃO DE PARÂMETROS DE FLORESTA NA AMAZÔNIA BRASILEIRA LEGAL A PARTIR DE IMAGENS DE SENSORIAMENTO REMOTO

[pt] PAOLA EDITH AYMA QUIRITA

[pt] APRENDIZADO PROFUNDO

[pt] REDE RESIDUAL

[pt] SENSORIAMENTO REMOTO DE MULTIPLAS FONTES

[pt] ESTIMACAO DE PARAMETROS FLORESTAIS

[pt] AMAZONIA BRASILEIRA

[en] DEEP LEARNING

[en] RESIDUAL NETWORK

[en] MULTISOURCE REMOTE SENSING

[en] FOREST PARAMETER ESTIMATION

[en] BRAZILIAN AMAZON

[pt] Nos últimos anos, a estimativa de parâmetros florestais, como a altura das árvores (CH) e a biomassa acima do solo (AGB) tem ganhado muita importância devido ao seu papel essencial na compreensão do ciclo global do carbono, na mitigação das mudanças climáticas e na prevenção da perda de biodiversidade. A inferência precisa desses parâmetros é crucial porque eles são indicadores chave da saúde da floresta e da capacidade de armazenamento de carbono. A Amazônia brasileira, uma floresta tropical vital, desempenha um papel crucial na absorção de tanto carbono quanto o que é liberado pelo desmatamento e pela degradação. A compreensão e o monitoramento da CH e da AGB permitem melhores estratégias de gestão e conservação, e promovem práticas sustentáveis. Tradicionalmente, esses parâmetros florestais, têm sido estimados por meio de métodos de campo, como inventário florestal, que envolvem medição física das árvores. No entanto, esses métodos são altamente precisos, são trabalhosos e, muitas vezes, impraticáveis para avaliações em larga escala devido à natureza vasta e inacessível das florestas. Além disso, a aplicação de técnicas de aprendizado de máquina (ML) e aprendizado profundo (DL) oferece vantagens significativas em relação aos métodos tradicionais, fornecendo soluções rápidas e dimensionáveis para a estimação dos parâmetros florestais em áreas extensas. Além disso, esses métodos podem integrar dados de diferentes fontes, aumentando a robustez das estimativas. Embora muitos estudos tenham utilizado dados de inventário florestal, RS e técnicas de ML, as técnicas de DL permanecem pouco exploradas em estudos na Amazônia brasileira. Este estudo visa avaliar técnicas de DL para estimar a CH e a AGB em florestas tropicais densas usando diferentes imagens de RS, incluindo o Sentinel-1, ALOS-2/PALSAR-2, Sentinel-2 e GEDI. Três modelos de DL foram testados para a estimativa da CH, sendo que o melhor modelo alcançou um R(2) de 0.751, um MAE de 4.068 metros, e um RMSE 5.737 metros. Além disso, várias técnicas de ML foram avaliadas para a estimativa de AGB, resultando em um R(2) de 0.648, MAE de 48.842 Mg·ha(-1), e RMSE of 70.745 Mg·ha(-1) .

[en] In recent years, estimating forest parameters such as Tree Height (CH) and AboveGround Biomass (AGB) has gained importance due to their essential role in understanding the global carbon cycle, mitigating climate change, and preventing biodiversity loss. Accurate inference of these parameters is crucial because they are key indicators of forest health and carbon storage capacity. The Brazilian Amazon, a vital tropical forest, plays a crucial role in absorbing as much carbon as is released through deforestation and degradation. Understanding and monitoring CH and AGB enable better management and conservation strategies and promote sustainable practices. Traditionally, these forest parameters have been estimated through ground-based methods, such as forest inventory plots, which involve physically measuring trees. While these methods are highly accurate, they are labor-intensive and often impractical for large-scale assessments due to the vast and inaccessible nature of forests. Additionally, the application of Machine Learning (ML) and Deep Learning (DL) techniques offers significant advantages over traditional methods, providing rapid and scalable solutions for estimating forest parameters across extensive areas. Moreover, they can integrate data from various sources, enhancing the robustness of the estimates. While many studies have utilized forest inventory plots, RS, and ML techniques, DL techniques remain underexplored in studies within the Brazilian Amazon. This study aims to evaluate DL techniques for estimating TH and AGB in dense tropical forests using various RS imagery, including Sentinel-1, ALOS-2/PALSAR-2, Sentinel-2, and GEDI. Three DL models were tested for CH estimation, where the best of the models achieve a R(2) of 0.751, an MAE of 4.068 meters, and an RMSE of 5.737 meters. Furthermore, various ML techniques were evaluated for AGB estimation, resulting in an R(2) of 0.648, an MAE of 48.842 Mg·ha(-1), and RMSE of 70.745 Mg·ha(-1).

MARCO AURELIO CAVALCANTI PACHECO

MANOELA RABELLO KOHLER

MARCO AURELIO CAVALCANTI PACHECO

MANOELA RABELLO KOHLER

PEDRO MARCO ACHANCCARAY DIAZ

JOSE DAVID BERMUDEZ CASTRO

VITOR BENTO DE SOUSA

CRISTINA MARIA BENTZ

2025-03-25

2024-10-01

[pt] TEXTO

application/pdf

INGLÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69747@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=69747@2

https://doi.org/10.17771/PUCRio.acad.69747