Extraction of structural variables using LiDAR data combined with hyperspectral images for classification of upper canopy tree species in Brazilian Atlantic Forest

Abstract

O objetivo principal desta tese foi explorar os dados LiDAR para estimar variáveis de inventário florestal e de diversidade em um remanescente de Floresta Estacional Semidecidual, também conhecida como Mata Atlântica de interior, uma das fitofisionomias mais degradadas da Mata Atlântica. Além disso, a fusão de dados LiDAR com imagens hiperespectrais para classificação de espécies do dossel superior também foi abordada. Os dados LiDAR foram entregues como retornos de pico (PR) e forma de onda completa (FWF) e em duas alturas de voo (900 m e 2000 m), e as imagens hiperespectrais foram coletadas por uma câmera leve de baixo custo. Apesar das intervenções ao longo dos anos a área de estudo, o remanescente florestal Ponte Branca apresenta bom estado de conservação, com presença de espécies pioneiras até clímax. Foram extraídas métricas LiDAR com os PR no voo de 900 m de altura. Métodos de seleção de variáveis e técnicas de aprendizado de máquina foram testados para estimar parâmetros de inventário florestal e de diversidade. As novas variáveis geradas pela transformação das métricas por meio da Análise de Componentes Principais (PCA) e a técnica das redes neuras artificiais (ANN) foi a combinação que melhor estimou os parâmetros florestais. A comparação dos atributos extraídos por uma abordagem baseada em voxel, disponível no software DASOS, foi para para dados de PR e FWF. A comparação das estimativas de variáveis florestais com dados obtidos nas duas diferentes alturas de voo também foi realizada. Os dados FWF estimaram as variáveis com menos tendencia que os dados de PR. Oito espécies presentes no dossel superior foram classificadas usado os seguintes dados: PR LiDAR, FWF LiDAR e imagens hiperespectrais, usados isoladamente e combinados entre si. As métricas PR LiDAR transformadas pelas PCA combinados com os índices de vegetação obtidos por imagens hiperespectrais, proporcionaram a melhor precisão na classificação das espécies arbóreas, com uma acurácia global de 62,8%. Os dados LiDAR, especialmente os FWF LiDAR, apresentaram um grande potencial para a caracterização de florestas tropicais, especialmente usando a abordagem baseada em voxel implementada no software DASOS. A combinação de dados PR LiDAR com os índices de vegetação das imagens hiperespectrais melhorou a precisão da classificação.

The main goal of this thesis was to explore LiDAR data to estimate stand and diversity variables in a remnant of Seasonal Semideciduous Forest, also known as inland Atlantic Forest, one of the most degraded phytophysiognomies of the Atlantic Forest. In addition, the fusion of LiDAR data with hyperspectral images for classification of upper canopy species was also approached. LiDAR data were delivered as peak returns (PR) and full-waveform (FWF) and at two flight heights (900 m and 2000 m), and the hyperspectral images were collected by a light-weight camera. Despite interventions over the years, the study area, the Ponte Branca forest remnant, has a good state of conservation, with the presence of pioneer species to climax. PR LiDAR metrics were extracted from the 900 m height flight. Variable selection methods and machine learning techniques were tested to estimate stand and diversity variables. The new variables generated by transforming the metrics with Principal Component Analysis (PCA) and the technique of artificial neural networks (ANN) were the combination that best estimated the variables. The comparison of the attributes extracted by a voxel-based approach, available in the DASOS software, was performed for PR and FWF data. The results with data from two flight heights in the estimation of forest variables were also compared. FWF data showed less biased estimates than PR data. Eight species present in the upper canopy were classified using isolated and combined data: PR, FWF LiDAR, and hyperspectral images. The LiDAR PR metrics transformed by PCAs combined with vegetation indices obtained by hyperspectral images provided the best accuracy in the classification of tree species, with an overall accuracy of 62.8%. LiDAR data, especially FWF LiDAR, presented a great potential for the characterization of tropical forests, especially using the voxel-based approach as implemented in software DASOS. Combining data from PR LiDAR with vegetation indices from hyperspectral images improved the accuracy of classification.