AVALIAÇÃO DE ESTÁGIOS SUCESSIONAIS DE FLORESTAS ESTACIONAIS SEMIDECIDUAIS COM USO DE DADOS HIPERESPECTRAIS E LIDAR OBTIDOS A PARTIR DE AERONAVE REMOTAMENTE PILOTADA
Nome: TOBIAS BARUC MOREIRA PINON
Data de publicação: 03/06/2025
Banca:
Nome |
Papel |
|---|---|
| ADRIANO RIBEIRO DE MENDONCA | Presidente |
| CATHERINE TORRES DE ALMEIDA | Examinador Externo |
| GILSON FERNANDES DA SILVA | Examinador Interno |
| MILTON MARQUES FERNANDES | Examinador Externo |
| RORAI PEREIRA MARTINS NETO | Examinador Externo |
Resumo: A Mata Atlântica do Espírito Santo tem sido intensamente degradada, o que reforça a necessidade de métodos ágeis e precisos para sua fiscalização e conservação. A Resolução Conama nº 29/1994 estabelece critérios para a classificação da vegetação secundária em estágios sucessionais, determinando a possibilidade de exploração florestal. No entanto, essa classificação realizada em campo depende fortemente da experiência da equipe técnica, devido à formação, critérios subjetivos e ausência de instrumentos adequados, o que pode comprometer a confiabilidade dos resultados. Diante disso, este estudo tem como objetivo classificar estágios sucessionais da vegetação com o uso de dados obtidos por sensores hiperespectrais e LiDAR embarcados em Aeronave Remotamente Pilotada (ARP). A pesquisa foi conduzida em áreas de pastagem em regeneração e fragmentos florestais no sul do Espírito Santo, onde foram coletadas variáveis dendrométricas como diâmetro a 1,3m do solo (D) e altura total (H) das árvores em parcelas de 30 x 30 m. Essas variáveis foram relacionadas a métricas hiperespectrais (com e sem sombra) e LiDAR para estimar parâmetros dendrométricos, como diâmetro médio ("D" ), altura total média ("H" ) e área basal (G), por meio de modelos de regressão. A acurácia dos modelos foi avaliada com base na raiz do quadrado médio do erro (RMSE), no coeficiente de determinação ajustado (R² ajustado) e em histogramas de erro percentual. A classificação dos estágios foi realizada por método baseado em regras, considerando dois cenários: um com três estágios (inicial, médio e avançado) e outro com a inclusão da classe de pastagem em regeneração. Também foi conduzida uma classificação não supervisionada por agrupamento hierárquico, com base nas estimativas das variáveis dendrométricas e métricas espectrais e estruturais, resultando em cinco grupos: três estágios sucessionais e duas categorias de pastagem (pasto sujo ralo e denso). Complementarmente, aplicou-se uma análise de componentes principais (PCA).O "D" e a "H" foram estimados com maior acurácia com dados combinados (R² ajustado = 88% e 90%, respectivamente), enquanto a G apresentou melhor desempenho com dados LiDAR (R² ajustado = 92%). A exclusão de pixels sombreados resultou em leve ganho na performance dos modelos, com impacto limitado na qualidade preditiva. A classificação baseada em regras com três categorias atingiu acurácia global de 88% (Kappa = 0,81), reduzindo para 68% (Kappa = 0,59) com a inclusão da classe “Pasto Sujo”. A classificação não supervisionada com estimativas das variáveis para cinco classes (pasto sujo ralo, denso e estágios) apresentou acurácia de 64% (Kappa = 0,55). Por outro lado, a classificação baseada exclusivamente em métricas hiperespectrais demonstrou alta concordância com os estágios definidos em campo (92%), enquanto as métricas LiDAR apresentaram menor correspondência. A análise multivariada evidenciou que métricas espectrais e estruturais representam bem o gradiente sucessional. A integração de dados mostrou-se eficiente para o mapeamento automatizado de áreas extensas e de difícil acesso, podendo complementar os inventários florestais e reduzir a subjetividade na aplicação dos critérios legais.
