Modelagem da biomassa de plantações florestais a partir da tecnologia LiDAR embarcada em drone

Abstract

A quantificação da biomassa de plantações florestais com o uso de dados LiDAR (Light Detection And Ranging) embarcado em drones (ou unmanned aerial vehicle – UAV-LS) tem apresentado grande potencial, principalmente pelo elevado nível de detalhamento e agilidade em relação as metodologias tradicionais de inventário florestal. Este trabalho teve como objetivo principal aplicar técnicas de aprendizado de máquinas para predizer a biomassa acima do solo com base em dados LiDAR. Para isso, foram obtidos dados UAV-LS e o inventário censitário de uma plantação de um híbrido de E. torelliana × C. citriodora de 7 anos de 1,25 ha localizado na Fazenda Experimental Lageado da Faculdade de Ciências Agronômicas (FCA/UNESP) em Botucatu. Após amostragem e seleção das árvores-amostra, houve a determinação da densidade básica da madeira ponderada pelo volume, e determinação indireta da biomassa seca de fuste e ajuste do modelo alométrico de Schumacher-Hall. A partir do georreferenciamento dos indivíduos arbóreos e tratamento dos dados da nuvem de pontos LiDAR no programa computacional R, houve a extração das métricas de altura a nível de árvore individual, que ainda foram selecionadas pela análise de componentes principais (PCA). Por último, os modelos de aprendizado de máquina foram testados em ambiente Python, ranqueados e comparados pelo coeficiente de determinação ajustado e erro quadrático médio. A melhor janela para individualização das árvores foi a de 2 m, com um erro relativo de 11,9 %. Os modelos de aprendizado de máquina baseados na lógica de “Árvores de decisão” foram os que apresentaram melhor ajuste (R²aj >0,85 e RMSE < 15%) para a população de treinamento, sendo possível obter modelos com elevada performance de ajuste a nível de árvore individual para as condições presentes nesse estudo.

Quantifying the biomass of forestry plantations using LiDAR (Light Detection And Ranging) data embedded in drones (or unmanned aerial vehicles – UAV-LS) has shown great potential, mainly due to the high level of detail and agility in relation to methodologies traditional forest inventory. The main objective of this work was to apply machine learning techniques to predict above-ground biomass based on LiDAR data. For this, UAV-LS data and the census inventory were obtained from a 7-year-old plantation of a 7-year-old E. torelliana × C. citriodora hybrid of 1.25 ha located at the Lageado Experimental Farm of the Faculty of Agricultural Sciences (FCA/UNESP) in Botucatu. After sampling and selection of sample trees, the basic density of wood weighted by volume was determined, and the dry biomass of the bole was indirectly determined and the Schumacher-Hall allometric model was adjusted. From the georeferencing of tree individuals and processing of LiDAR point cloud data in the computational program R, height measurements at the individual tree level were removed, which were still selected by principal component analysis (PCA). Finally, the machine learning models were tested in the Python environment, classified and compared by the adjusted coefficient of determination and mean squared error. The best window for individualizing trees was 2 m, with a relative error of 11.9%. The machine learning models based on “Decision Trees” logic were those that obtained the best fit (R²aj >0.85 and RMSE < 15%) for the training population, making it possible to obtain models with high adjustment performance at the level of individual tree for the conditions present in this study.