Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/48415
Arquivos associados a este item:
Arquivo TamanhoFormato 
MarcosViniciusRezendeDeAtaide_DISSERT.pdf2,12 MBAdobe PDFVisualizar/Abrir
Título: Uso de drone para identificar a dominância de gramíneas invasoras e vegetação nativa em áreas de restauração do cerrado
Autor(es): Ataide, Marcos Vinicius Rezende De
Orientador(es): Vieira, Daniel Luis Mascia
Assunto: Gramíneas exóticas
Gramíneas invasoras
Machine Learning
Área degradada
Sensoriamento remoto
Monitoramento ambiental
Data de publicação: 25-Jun-2024
Referência: ATAIDE, Marcos Vinicius Rezende de. Uso de drone para identificar a dominância de gramíneas invasoras e vegetação nativa em áreas de restauração do cerrado. 2024. 44 f., il. Dissertação (Mestrado em Ciências Florestais)—Universidade de Brasília, Brasília, 2024.
Resumo: A restauração ecológica de ecossistemas campestres e savânicos em regiões tropicais tem como principal 4 desafio a competição de gramíneas exóticas invasoras com espécies nativas. A identificação e mapeamento da 5 cobertura de espécies invasoras é indispensável para dar suporte às ações de manutenção em áreas de restauração 6 ecológica. Atualmente, os levantamentos de campo para monitorar a vegetação indesejável em áreas de 7 restauração passam por uma mudança de paradigma com crescente uso de imagens adquiridas em câmeras a 8 bordo de VANTs (Veículos Aéreo Não Tripulados), utilizadas como entrada em algoritmos de aprendizado de 9 máquina (machine learning), mostrando eficazes na classificação de alvos na superfície terrestre, como 10 gramíneas exóticas invasoras em ambientes campestres e savânicos. O presente estudo teve o objetivo de 11 identificar manchas de gramíneas exóticas invasoras e nativas em áreas de restauração ecológica de savana no bioma 12 Cerrado, a partir de imagens adquiridas por VANT e da aplicação de técnicas de aprendizagem de máquina. A área 13 de estudo está localizada dentro do Parque Nacional da Chapada dos Veadeiros. Foram realizadas amostragens da 14 cobertura vegetal por espécie em campo e os voos com um drone DJI Phantom 4 Pro, com uma câmera 1’’ 15 CMOS (Complementary Metal Oxide Semiconductor), para aquisição das imagens no espectro visível ao 16 infravermelho próximo. Com os dados de cobertura coletados em campo, as áreas foram classificadas de acordo 17 com a espécie que dominava pelo menos 40% da cobertura da parcela. As imagens foram analisadas para obter 18 uma correta classificação das parcelas de acordo com a espécie dominante. Foi utilizado o algoritmo Random 19 Forest (RF) seguido do método estatístico stepwise para diminuição da colineariedade das variáveis. A árvore 20 de decisão foi construída com o modelo de classificação Random Forest e o CART para uma representação 21 visual das características distintivas entre as espécies. Foram utilizadas para a construção do modelo as 22 seguintes variáveis: modelo de altura de dossel (CHM), índices de vegetação e métricas de textura, as quais 23 foram sobrepostas, gerando um raster uma única camada contendo todas variáveis. Em cada array foram 24 plotados aleatoriamente 50 pontos para amostragem de valores que foram subdivididos em treinamento (80%) 25 e validação (20%), utilizados nos algoritmos de classificação Random modelos de classificação para cada 26 objetivo mostraram boas precisões globais de mapeamento, superiores a 0,6 (60%) para ambos os algoritmos. 27 A análise das variáveis de importância de acordo com os resultados da classificação Random Forest revelou 28 uma forte correlação entre a variação das respostas espectrais e as diferenças na estrutura celular das folhas e 29 nos pigmentos fotossintéticos, como evidenciado pelos índices de vegetação, com maior desempenho na 30 separação de parcelas com diferentes espécies dominantes: Índice de Vegetação de Clorofila Verde, Índice de 31 Vegetação Atmosfericamente Resistente (GCI, ARVI, RED_EDGE). Enquanto para a cobertura as principais 32 variáveis preditoras foram: NIR, BLUE e RED EDGE refletindo que as características morfológicas e 33 fisiológicas das gramíneas exóticas invasoras são características essenciais para previsões da cobertura desta 34 vegetação. O uso de variáveis derivadas de imagens multiespectrais adquiridas com câmeras em drones 35 mostrou-se promissor para identificar áreas dominadas por espécies invasoras e nativas, prever a cobertura 36 vegetal de gramíneas invasoras em ambientes em processo de restauração ecológica em campos e savanas no 37 bioma Cerrado.
Abstract: The main challenge in the ecological restoration of grassland and savannah ecosystems in tropical 46 regions is the competition between invasive exotic grasses and native species. Identifying and mapping 47 the cover of invasive species is essential to support maintenance actions in ecological restoration areas. 48 Currently, field surveys to monitor undesirable vegetation in restoration areas are undergoing a 49 paradigm shift with the increasing use of images acquired from cameras on board UAVs (Unmanned 50 Aerial Vehicles), used as input in machine learning algorithms, proving effective in classifying targets 51 on the ground surface, such as invasive exotic grasses in grassland and savannah environments. The 52 aim of this study was to identify patches of invasive exotic and native grasses in savannah ecological 53 restoration areas in the Cerrado biome, based on images acquired by UAV and the application of 54 machine learning techniques. The study area is located within the Chapada dos Veadeiros National 55 Park. Vegetation cover was sampled by species in the field and flights were made with a DJI Phantom 56 4 Pro drone with a 1" CMOS (Complementary Metal Oxide Semiconductor) camera to acquire images 57 in the visible to near infrared spectrum.With the cover data collected in the field, the areas were 58 classified according to the species that dominated at least 40% of the plot's cover. The images were 59 analyzed in order to correctly classify the plots according to the dominant species. The Random Forest 60 (RF) algorithm was used, followed by the stepwise statistical method to reduce the collinearity of the 61 variables. The decision tree was built using the Random Forest classification model and CART for a 62 visual representation of the distinctive characteristics between the species. The following variables 63 were used to build the model: canopy height model (CHM), vegetation indices and texture metrics, 64 which were superimposed, generating a single layer raster containing all the variables. In each array, 65 50 points were randomly plotted to sample values that were subdivided into training (80%) and 66 validation (20%), used in the classification algorithms Random classification models for each objective 67 showed good overall mapping accuracies, greater than 0.6 (60%) for both algorithms.Analysis of the 68 variables of importance according to the results of the Random Forest classification revealed a strong 69 correlation between the variation in spectral responses and differences in leaf cell structure and 70 photosynthetic pigments, as evidenced by the vegetation indices with the best performance in 71 separating plots with different dominant species: Green Chlorophyll Vegetation Index, 72 Atmospherically Resistant Vegetation Index (GCI, ARVI, RED_EDGE). While for cover the main 73 predictor variables were: NIR, BLUE and RED EDGE reflecting that the morphological and 74 physiological characteristics of invasive exotic grasses are essential characteristics for predicting the 75 cover of this vegetation. The use of variables derived from multispectral images acquired with drone 76 cameras proved promising for identifying areas dominated by invasive and native species, predicting 77 the vegetation cover of invasive grasses in environments undergoing ecological restoration in 78 grasslands and savannas in the Cerrado biome.
Unidade Acadêmica: Faculdade de Tecnologia (FT)
Departamento de Engenharia Florestal (FT EFL)
Informações adicionais: Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, 2024.
Programa de pós-graduação: Programa de Pós-Graduação em Ciências Florestais
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.