Search

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES The Amazon forest is characterized by expressive biomass and, therefore, stores high amounts of carbon, which is an important variable for climate monitoring. So, it is crucial to develop an efficient method to estimate biomass accurately, especially in tropical forests, where dense vegetation makes modeling difficult. Thus, the objective of the present study was to estimate the aboveground biomass, at plot and landscape level, in areas of the Amazon forest with selective logging, using machine learning algorithms and data from the LiDAR and OLI/Landsat 8 sensors, and map the biomass for the years 2014 and 2017 allowing to analyze its dynamics during the analysis period. For that, 79 plots of 50x50 m were used, at Fazenda Cauaxi, in the municipality of Paragominas, Pará. The prediction of biomass was performed using the machine learning algorithms Random Forest (RF), Support Vector Machine (SVM) and Artificial Neural Network (ANN) using LiDAR data and these combined with variables (spectral and texture) from the OLI/Landsat 8. To verify the best performance algorithm, the RMSE (Root Mean Square Error) was used, for this, 30 repetitions were performed with data separation in 80% for training and 20% for validation. The RF and SVM algorithms obtained the lowest average RMSE values in all data sets, with emphasis on the models using LiDAR and the combination of this with the spectral variables. The association of these variables allowed to increase the performance of the RF decreasing the RMSE from 48.01 Mg/ha to 45.24 Mg/ha. However, SVM using only LiDAR had the lowest average RMSE (44.99 Mg/ha). Thus, it was selected to map the biomass of 2014 and 2017 for analysis of the temporal dynamics. The older exploration units (2006, 2007 and 2008) had lower biomass stocks, in the years under analysis, however, the largest biomass losses in 2017 were obtained in the most recent exploration units (2012 and 2013). Thus, with the method employed in the present study, it was possible to infer that the machine learning algorithms proved to be efficient for estimating biomass, with emphasis on RF and SVM. Thus, the study may serve as a basis for improvements in biomass predictions in areas of Amazon forest with selective extraction, where the amplitudes of biomass and dense vegetation make it difficult to model attributes. A floresta Amazônica é caracterizada pela biomassa expressiva e, dessa forma, armazena alta quantidade de carbono, sendo essa uma variável importante para o monitoramento climático. Com isso, é crucial o desenvolvimento de um método eficiente para estimar a biomassa com precisão, principalmente nas florestas tropicais, onde a vegetação densa dificulta a modelagem. Dessa forma, o objetivo do presente estudo foi estimar a biomassa acima do solo, em nível de parcela e de paisagem, em áreas de floresta Amazônica com extração seletiva de madeira, utilizando algoritmos de aprendizado de máquina e dados dos sensores LiDAR e OLI/Landsat 8, e mapear a biomassa para os anos de 2014 e 2017 permitindo analisar a sua dinâmica durante o período de análise. Para tal, foram utilizadas 79 parcelas de 50x50 m dispostas na Fazenda Cauaxi, no município de Paragominas, Pará. A predição da biomassa foi realizada por meio dos algoritmos de aprendizado de máquina Random Forest (RF), Support Vector Machine (SVM) e Artificial Neural Network (ANN) utilizando dados do sensor LiDAR e estes combinados com variáveis (espectrais e de textura) OLI/Landsat 8. Para verificar o algoritmo de melhor desempenho utilizou-se o RMSE (Root Mean Square Error), para tal, foram realizadas 30 repetições com a separação dos dados em 80% para treinamento e 20% para validação. Os algoritmos RF e SVM obtiveram os menores valores de RMSE médio em todos os conjuntos de dados, com destaque para os modelos utilizando LiDAR e a combinação deste com as variáveis espectrais. A associação dessas variáveis permitiu aumentar o desempenho do RF diminuindo o RMSE de 48,01 Mg/ha para 45,24 Mg/ha. Contudo, o SVM utilizando apenas LiDAR apresentou o menor RMSE médio (44,99 Mg/ha). Dessa forma, esse foi selecionado para mapear a biomassa de 2014 e 2017 para análise da dinâmica temporal. As unidades de exploração mais antigas (2006, 2007 e 2008) apresentaram menores estoques de biomassa, nos anos de análise, contudo, as maiores perdas de biomassa em 2017 foram obtidas nas unidades de exploração mais recentes (2012 e 2013). Desse modo, com o método empregado no presente estudo, foi possível inferir que os algoritmos de aprendizado de máquina se mostraram eficientes para estimar a biomassa, com destaque para o RF e SVM. Além disso, o uso combinado de dados LiDAR e OLI/Landsat 8 melhorou a estimativa de biomassa para o RF. Assim, o estudo poderá servir de base para melhorias nas predições de biomassa em áreas de floresta Amazônica com extração seletiva de madeira, onde as amplitudes da biomassa e a densa vegetação dificultam a modelagem de atributos.