Search

Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) A estimativa de parâmetros florestais usando nuvem de pontos de LiDAR é um aprimoramento dos métodos convencionais, pois fornece informações precisas e espacializadas. Neste estudo comparamos o desempenho das abordagens a nível de área (ABA) e árvore (ITD) para esimar o volume em povoamentos de eucalipto. Foram testados cinco métodos na abordagem ABA usando Aritificial Neural Network (ANN), Random Forest (RF), Support Vector Machine (SVM), regressão linear e Gompertz, selecionando variáveis de entrada nos modelos usando Recursive Feature Elimination e correlação de Spearman para métodos não-paramétricos e paramétricos, respectivamente. Para o ITD, foram testados três métodos para detectar árvores (dois filtros máximos locais e o método da bacia hidrográfica), adicionando um novo procedimento gerando um buffer de exclusão de árvores para melhorar a precisão da detecção de arvores. Também foram testados quatro métodos para estimar o dap usando ANN e as equações de Gompertz, logística e exponencial. O volume de árvores nessa abordagem foi calculado utilizando o modelo de Schumacher e Hall. Além disso, foram avaliados os efeitos do ângulo de escaneamento, inclinação do terreno e idade do talhão na contagem de árvores, medição de altura e estimativa de volume. No geral, a abordagem ABA teve um melhor desempenho na estimativa de volume para o talhão (r = 0,95 e RMSE = 14,41%) não diferindo estatisticamente (p > 0,05) dos volumes medidos em campo para o teste F de Graybill e teste-t para o erro médio. As estimativas ITD, embora com desempenho semelhante (r = 0,97 e RMSE = 16,4%), tenderam a subestimar o volume em povoamentos mais jovens e em terrenos com inclinação até 25%, além disso diferiram estatisticamente (p < 0,05) dos volumes medidos em campo no teste F de Graybill e teste t para o erro médio. Os mapas de volume também foram diferentes para as abordagens, em que ITD teve valores distribuídos em mais classes que ABA. É discutido neste trabalho a importância das métricas LiDAR como variáveis de entrada nos métodos de estimativa e os possíveis problemas relacionados ao desempenho do ITD. Palavras-chave: Eucalyptus. Detecção de árvores. Aprendizado de máquina. Sensoriamento remoto Forest plantations are globally important for the economy and are significant for carbon sequestration. Properly managing plantations requires accurate information about stand timber stocks. In this study, we used the area (ABA) and individual tree (ITD) based approaches for estimating stem volume in fast-growing Eucalyptus spp forest plantations. Herein, we propose a new method to improve individual tree detection (ITD) in dense canopy homogeneous forests and assess the effects of stand age, slope and scan angle on ITD accuracy. Field and Light Detection and Ranging (LiDAR) data were collected in Eucalyptus urophylla x Eucalyptus grandis even-aged forest stands located in the mountainous region of the Rio Doce Valley, southeastern Brazil. We tested five methods to estimate volume from LiDAR-derived metrics using ABA: Artificial Neural Network (ANN), Random Forest (RF), Support Vector Machine (SVM), and linear and Gompertz models. LiDAR-derived canopy metrics were selected using the Recursive Feature Elimination algorithm and Spearman’s correlation, for nonparametric and parametric methods, respectively. For the ITD, we tested three ITD methods: two local maxima filters and the watershed method. All methods were tested adding our proposed procedure of Tree Buffer Exclusion (TBE), resulting in 35 possibilities for treetop detection. Stem volume for this approach was estimated using the Schumacher and Hall model. Estimated volumes in both ABA and ITD approaches were compared to the field observed values using the F-test. Overall, the ABA with ANN was found to be better for stand volume estimation (r = 0.95 and RMSE = 14.4%). Although the ITD results showed similar precision (r = 0.94 and RMSE = 16.4%) to the ABA, the results underestimated stem volume in younger stands and in gently sloping terrain (< 25%). Stem volume maps also differed between the approaches; ITD represented the stand variability better. In addition, we discuss the importance of LiDAR metrics as input variables for stem volume estimation methods and the possible issues related to the ABA and ITD performance. Keywords: Eucalyptus. Tree detection. Machine learning. Remote sensing