Redes neurais artificiais e sensoriamento remoto para predição volumétrica em um povoamento de Eucalyptus sp.
DOI:
https://doi.org/10.33448/rsd-v10i12.20466Palavras-chave:
Inventário florestal; Aprendizado de máquina; Redes neurais artificiais; Povoamento de Eucalyptus sp.Resumo
O Inventário Florestal é uma ferramenta importante para estimar a produção de povoamentos e, normalmente, emprega métodos tradicionais para a estimativa de volume. Entretanto, como resultado dos avanços tecnológicos, as redes neurais artificiais e o sensoriamento remoto surgem cada vez mais no setor florestal, visto que as imagens de satélite têm diferentes componentes que correlacionam-se com variáveis dendrométricas e podem ser usadas como variáveis auxiliares. O objetivo deste trabalho foi avaliar a performance de redes neurais artificiais em estimar o volume de um povoamento de Eucalyptus sp. com o uso de imagens de satélite. Dados de inventário pré-corte foram utilizados, com idades variando entre 5,3 e 6,3 anos. As variáveis usadas foram: volume, idade, 4 bandas da imagem de satélite com resolução espacial de 10 m proveniente do satélite Sentinell-2, razão entre as bandas, NDVI e material genético. Todo o processamento dos dados foi realizado utilizando o software livre R. Os critérios de avaliação da rede neural foram o erro padrão residual em porcentagem e as análises gráficas dos resíduos. A melhor configuração de rede neural para estimativa de volume apresentou erro padrão residual de 10,63% e 12,00% para treinamento e validação, respectivamente. A metodologia proposta neste trabalho provou-se eficiente em estimar o volume do povoamento.
Referências
Almeida, A. da C., Barros, P. L. C., Monteiro, J. H. A., & Rocha, B. R. P. (2009). Estimation of Aboveground Forest Biomass in Amazonia with Neural Networks and Remote Sensing. IEEE Latin America Transactions, 7(1), 27–32. https://doi.org/10.1109/TLA.2009.5173462
Araujo, T. P., & Mello, F. M. (2010). Processamento de imagens digitais - Razão entre bandas. Geociencias, 29(1), 121–131.
Assman, E. (1970). The principles of forest yield study (P. W. Davis (ed.); 1st ed.). Pergamon Press.
Bhering, L. L., Cruz, C. D., Peixoto, L. de A., Rosado, A. M., Laviola, B. G., & Nascimento, M. (2015). Application of neural networks to predict volume in eucalyptus. Crop Breeding and Applied Biotechnology, 15(3), 125–131. https://doi.org/10.1590/1984-70332015v15n3a23
Bivand, R., Keitt, T., & Rowlingson, B. (2017). rgdal: Bindings for the Geospatial Data Abstraction Library. [S.1.], 2017. R package version 1.2-8. https://CRAN.R-project.org/package=rgdal
Chiarello, F., Steiner, M. T. A., Oliveira, E. B. DE, Arce, J. E., & Ferreira, J. C. (2019). Artificial neural networks applied in forest biometrics and modeling: state of the art (january/2007 to july/2018). cerne, 25(2), 140–155. https://doi.org/10.1590/01047760201925022626
Cordeiro, A. P. A., Berlato, M. A., Fontana, D. C., Melo, R. W. de, Shimabukuro, Y. E., & Fior, C. S. (2017). Regiões homogêneas de vegetação utilizando a variabilidade do ndvi. Ciência Florestal, 27(3), 883. https://doi.org/10.5902/1980509828638
Coulibaly, L., Migolet, P., Adegbidi, H. G., Fournier, R., & Hervet, E. (2008). Mapping Aboveground Forest Biomass from Ikonos Satellite Image and Multi-Source Geospatial Data using Neural Networks and a Kriging Interpolation. IGARSS 2008 - 2008 IEEE International Geoscience and Remote Sensing Symposium, III-298-III–301. https://doi.org/10.1109/IGARSS.2008.4779342
Cutler, M. E. J., Boyd, D. S., Foody, G. M., & Vetrivel, A. (2012). Estimating tropical forest biomass with a combination of SAR image texture and Landsat TM data: An assessment of predictions between regions. ISPRS Journal of Photogrammetry and Remote Sensing, 70, 66–77. https://doi.org/10.1016/j.isprsjprs.2012.03.011
Deb, D., Singh, J. P., Deb, S., Datta, D., Ghosh, A., & Chaurasia, R. S. (2017). An alternative approach for estimating above ground biomass using Resourcesat-2 satellite data and artificial neural network in Bundelkhand region of India. Environmental Monitoring and Assessment, 189(11), 576. https://doi.org/10.1007/s10661-017-6307-6
Del Frate, F., & Solimini, D. (2004). On Neural Network Algorithms for Retrieving Forest Biomass From SAR Data. IEEE Transactions on Geoscience and Remote Sensing, 42(1), 24–34. https://doi.org/10.1109/TGRS.2003.817220
Reis, A. A., Carvalho, M. C., de Mello, J. M., Gomide, L. R., Ferraz Filho, A. C., & Acerbi Junior, F. W. (2018). Spatial prediction of basal area and volume in Eucalyptus stands using Landsat TM data: an assessment of prediction methods. New Zealand Journal of Forestry Science, 48(1), 1. https://doi.org/10.1186/s40490-017-0108-0
Ferraz, A. S., Soares, V. P., Soares, C. P. B., Ribeiro, C. A. A. S., Binoti, D. H. B., & Leite, H. G. (2014). Estimativa do estoque de biomassa em um fragmento florestal usando imagens orbitais. Floresta e Ambiente, 21(3), 286–296. https://doi.org/10.1590/2179-8087.052213
Foody, G. M., Cutler, M. E., McMorrow, J., Pelz, D., Tangki, H., Boyd, D. S., & Douglas, I. (2001). Mapping the biomass of Bornean tropical rain forest from remotely sensed data. Global Ecology and Biogeography, 10(4), 379–387. https://doi.org/10.1046/j.1466-822X.2001.00248.x
Frazier, R. J., Coops, N. C., Wulder, M. A., & Kennedy, R. (2014). Characterization of aboveground biomass in an unmanaged boreal forest using Landsat temporal segmentation metrics. ISPRS Journal of Photogrammetry and Remote Sensing, 92, 137–146. https://doi.org/10.1016/j.isprsjprs.2014.03.003
Gorgens, E. B., Leite, H. G., Santos, H. do N., & Gleriani, J. M. (2009). Estimação do volume de árvores utilizando redes neurais artificiais. Revista Árvore, 33(6), 1141–1147. https://doi.org/10.1590/S0100-67622009000600016
Haykin, S. (2001a). Perceptrons de múltiplas camadas. In Redes Neurais: princípios e prática (2nd ed., pp. 182–198). Bookman.
Haykin, S. (2001b). Processos de Aprendizagem. In Redes Neurais: princípios e prática (2nd ed., pp. 75–91). Bookman.
Hijmans, R. J. (2016). raster: Geographic Data Analysis and Modeling. R package version 2.5-8. Retrieved from: https://CRAN.R-project.org/package=raster
Ingram, J. C., Dawson, T. P., & Whittaker, R. J. (2005). Mapping tropical forest structure in southeastern Madagascar using remote sensing and artificial neural networks. Remote Sensing of Environment, 94(4), 491–507. https://doi.org/10.1016/j.rse.2004.12.001
Jutras, P., Prasher, S. O., & Mehuys, G. R. (2009). Prediction of street tree morphological parameters using artificial neural networks. Computers and Electronics in Agriculture, 67(1–2), 9–17. https://doi.org/10.1016/j.compag.2009.02.008
Leal, A. J. F., Miguel, E. P., Baio, F. H. R., Neves, D. de C., & Leal, U. A. S. (2015). Redes neurais artificiais na predição da produtividade de milho e definição de sítios de manejo diferenciado por meio de atributos do solo. Bragantia, 74(4), 436–444. https://doi.org/10.1590/1678-4499.0140
Lima, M. B. de O., Lustosa-Junior, I. M., Oliveira, E. M., Ferreira, J. C. B., Soares, K. L., & Miguel, E. P. (2017). Artificial neural networks in whole-stand level modeling of Eucalyptus plants. African Journal of Agricultural Research, 12(7), 524–534. https://doi.org/10.5897/AJAR2016.12068
López-Serrano, P. M., López-Sánchez, C. A., Álvarez-González, J. G., & García-Gutiérrez, J. (2016). A Comparison of Machine Learning Techniques Applied to Landsat-5 TM Spectral Data for Biomass Estimation. Canadian Journal of Remote Sensing, 42(6), 690–705. https://doi.org/10.1080/07038992.2016.1217485
Lu, D., Chen, Q., Wang, G., Liu, L., Li, G., & Moran, E. (2016). A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems. International Journal of Digital Earth, 9(1), 63–105. https://doi.org/10.1080/17538947.2014.990526
Martins, E. R., Binoti, M. L. M. S., Leite, H. G., Binoti, D. H. B., & Dutra, G. C. (2016). Configuração de redes neurais artificiais para estimação da altura total de árvores de eucalipto. Revista Brasileira de Ciências Agrárias - Brazilian Journal of Agricultural Sciences, 11(2), 117–123. https://doi.org/10.5039/agraria.v11i2a5373
Miguel, E. P., Rezende, A. V., Leal, F. A., Matricardi, E. A. T., Vale, A. T. do, & Pereira, R. S. (2015). Redes neurais artificiais para a modelagem do volume de madeira e biomassa do cerradão com dados de satélite. Pesquisa Agropecuária Brasileira, 50(9), 829–839. https://doi.org/10.1590/S0100-204X2015000900012
Moreno Arteaga, A. J., Thiersch, M. F. B. M., Valente, R. O. A., Bernardi, L. K., Vasconcelos, S. L., & Thiersch, C. R. (2019). Espacialidad volumétrica de madera en plantaciones forestales usando redes neurales artificiales con imágenes de satélite. Acta Agronómica, 68(2), 142–150. https://doi.org/10.15446/acag.v68n2.78945
Nandy, S., Singh, R., Ghosh, S., Watham, T., Kushwaha, S. P. S., Kumar, A. S., & Dadhwal, V. K. (2017). Neural network-based modelling for forest biomass assessment. Carbon Management, 8(4), 305–317. https://doi.org/10.1080/17583004.2017.1357402
Oliveira, F. S. (2012). Uso de imagens do satélite ALOS para estimativa de parâmetros dendrométricos de plantios de eucalipto. Federal University of Viçosa, Viçosa, MG, Brazil.
R Core Team, 2017. R: A Language and Environment for Statistical Computing. Vienna, Austria. Retrieved from: https://www.R-project.org/
Ribeiro, B. M. G., Saito, E. A., Korting, T. S., Maeda, E. E., & Formaggio, A. R. (2009). Estudo da variância em imagens MODIS para diferentes classes de coberturas dos solos: estudo de caso em Querência – MT. In: Proceedings of the “2009 XIV Brazilian Symposium on Remote Sensing”, 25-30 April 2009, INPE, Natal, RN, Brazil, pp. 1005-1012.
Sakici, O. E., & Günlü, A. (2018). Artificial Intelligence applications for predicting some stand attributes using landsat 8 OLI satellite data: a case study from Turkey. Applied Ecology and Environmental Research, 16(4), 5269–5285. https://doi.org/10.15666/aeer/1604_52695285
Santi, E., Paloscia, S., Pettinato, S., Chirici, G., Mura, M., & Maselli, F. (2015). Application of Neural Networks for the retrieval of forest woody volume from SAR multifrequency data at L and C bands. European Journal of Remote Sensing, 48(1), 673–687. https://doi.org/10.5721/EuJRS20154837
Santi, E., Paloscia, S., Pettinato, S., Fontanelli, G., Mura, M., Zolli, C., Maselli, F., Chiesi, M., Bottai, L., & Chirici, G. (2017). The potential of multifrequency SAR images for estimating forest biomass in Mediterranean areas. Remote Sensing of Environment, 200, 63–73. https://doi.org/10.1016/j.rse.2017.07.038
Sarker, L. R., & Nichol, J. E. (2011). Improved forest biomass estimates using ALOS AVNIR-2 texture indices. Remote Sensing of Environment, 115(4), 968–977. https://doi.org/10.1016/j.rse.2010.11.010
Silva, M. L. M. da, Binoti, D. H. B., Gleriani, J. M., & Leite, H. G. (2009). Ajuste do modelo de Schumacher e Hall e aplicação de redes neurais artificiais para estimar volume de árvores de eucalipto. Revista Árvore, 33(6), 1133–1139. https://doi.org/10.1590/S0100-67622009000600015
Tavares Júnior, I., Rocha, J., Ebling, Â., Chaves, A., Zanuncio, J., Farias, A., & Leite, H. (2019). Artificial Neural Networks and Linear Regression Reduce Sample Intensity to Predict the Commercial Volume of Eucalyptus Clones. Forests, 10(3), 268. https://doi.org/10.3390/f10030268
Vahedi, A. A. (2016). Artificial neural network application in comparison with modeling allometric equations for predicting above-ground biomass in the Hyrcanian mixed-beech forests of Iran. Biomass and Bioenergy, 88, 66–76. https://doi.org/10.1016/j.biombioe.2016.03.020
Wang, G., Zhang, M., Gertner, G. Z., Oyana, T., McRoberts, R. E., & Ge, H. (2011). Uncertainties of mapping aboveground forest carbon due to plot locations using national forest inventory plot and remotely sensed data. Scandinavian Journal of Forest Research, 26(4), 360–373. https://doi.org/10.1080/02827581.2011.564204
Wang, L. H., & Xing, Y. Q. (2008). Remote sensing estimation of natural forest biomass based on an artificial neural network. Ying yong sheng tai xue bao = The journal of applied ecology 19: 261–66.
Zhou, J., Zhou, Z., Zhao, Q., Han, Z., Wang, P., Xu, J., & Dian, Y. (2020). Evaluation of Different Algorithms for Estimating the Growing Stock Volume of Pinus massoniana Plantations Using Spectral and Spatial Information from a SPOT6 Image. Forests, 11(5), 540. https://doi.org/10.3390/f11050540
Zhu, Y., Liu, K., Liu, L., Wang, S., & Liu, H. (2015). Retrieval of Mangrove Aboveground Biomass at the Individual Species Level with WorldView-2 Images. Remote Sensing, 7(9), 12192–12214. https://doi.org/10.3390/rs70912192
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Alessandro Araujo Amaral de Almeida; Monica Fabiana Bento Moreira Thiersch; Lucas Kröhling Bernardi; Franciane Andrade de Pádua; Argemiro José Moreno Arteaga; Claudio Roberto Thiersch
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
