O artigo "Combining LiDAR and hyperspectral data for aboveground biomass modeling in the Brazilian Amazon using different regression algorithms" foi publicado em outubro de 2019 no periódico Remote Sensing e foi oriundo do trabalho de TESE da Doutora Catherine Torres de Almeida. Ela foi orientada pelos pesquisadores Lênio Galvão e Luiz Aragão e defendeu sua TESE em março de 2020. O trabalho foi premiado no Prêmio CAPES NATURA CAMPUS DE EXCELÊNCIA EM PESQUISA.

O artigo está disponível em https://www.sciencedirect.com/science/article/pii/S0034425719303426

O artigo disserta sobre a modelagem de biomassa da Floresta Amazônica Brasileira a partir da combinação de tecnologias avançadas de Sensoriamento Remoto, o LiDAR - sensor a Laser que captura informações tridimensionais da floresta e, o sensor hiperespectral que obtém informações relacionadas à composição e funcionalidades da floresta. O principal resultado desse estudo foi que a combinação de informações complementares fornecida por esses dois tipos de sensores melhorou significativamente a estimativa da biomassa florestal. Como a biomassa é uma variável chave do ciclo do carbono, espera-se que essas melhores estimativas possam ser revertidas em melhores estratégias de mitigação e adaptação às mudanças climáticas, garantindo assim a continuidade dos serviços ecossistêmicos da Floresta Amazônica.

Veja o resumo do Artigo abaixo:

Estimativas precisas de biomassa acima do solo (AGB) em florestas tropicais são críticas para apoiar estratégias de conservação do funcionamento do ecossistema e mitigação das mudanças climáticas. No entanto, essas estimativas em escalas regionais e locais ainda são altamente incertas. Dados de sensoriamento remoto LiDAR (Light Detection And Ranging) e hiperespectral (HSI, Hyperstectral Imaging) podem caracterizar a diversidade estrutural e funcional de florestas com alta precisão em uma resolução submétrica e, potencialmente, melhorar as estimativas de AGB. Neste estudo, comparamos a capacidade de diferentes fontes de dados (aerotransportados LiDAR e HSI, e sua combinação) e métodos de regressão (modelo linear - LM, modelo linear com regularização - LMR, Support Vector Regression - SVR, Random Forest - RF, Stochastic Gradient Boosting - SGB, e Cubist - CB) para melhorar as previsões AGB na Amazônia brasileira. Usamos dados de inventário georreferenciados de 132 parcelas amostrais para obter uma AGB de campo de referência e calculamos 333 métricas (45 do LiDAR e 288 do HSI) que poderiam ser usadas como preditores para modelos estatísticos de AGB. Submetemos as métricas a uma filtragem de correlação seguida de um procedimento de seleção de variáveis para otimizar o desempenho dos modelos e reduzir sua complexidade. Os resultados mostraram que os dados LiDAR e HSI usados ​​isoladamente forneceram modelos de precisão relativamente altos se métricas e algoritmos adequados forem escolhidos (RMSE = 67,6Mg.ha^-1, RMSE% = 36%, R² = 0,58, para o melhor modelo LiDAR; RMSE = 68,1Mg.ha^-1, RMSE% = 36%, R² = 0,58, para o melhor modelo HSI). No entanto, os modelos contendo apenas dados HSI exigiram mais métricas (5–12) do que os modelos com apenas com apenas dados LiDAR (2–5). Modelos combinando métricas de ambos os conjuntos de dados resultaram em estimativas de AGB mais precisas, independentemente do método de regressão (RMSE = 57,7Mg.ha^-1, RMSE% = 31%, R² = 0,70, para o melhor modelo). As métricas LiDAR mais importantes para estimar AGB foram relacionadas à cobertura superior do dossel e percentis de altura das árvores, enquanto as métricas HSI mais importantes foram associadas às regiões espectrais do infravermelho próximo e infravermelho de ondas curtas, particularmente as bandas de absorção de água de folha/dossel e lignina-celulose . Finalmente, uma análise de variância (ANOVA) mostrou que a fonte de dados de sensoriamento remoto (LiDAR, HSI ou sua combinação) teve um tamanho de efeito maior do que os algoritmos de regressão. Assim, nenhum algoritmo superou os outros, embora o método LM tenha sido menos adequado quando aplicado ao HSI e aos conjuntos de dados híbridos. Os resultados mostram que o uso sinérgico de LiDAR e dados hiperespectrais tem grande potencial para melhorar a precisão das estimativas de biomassa na Amazônia brasileira.

O Prêmio CAPES NATURA CAMPUS DE EXCELÊNCIA EM PESQUISA foi divulgado pela CAPES e também pelo YOUTUBE (veja aos 57:45).

Figura: Distribuição dos locais estudados na Floresta Amazônica brasileira. Exemplos de amostras florestais em (B) floresta madura intacta sazonalmente inundada e em (C) floresta de terra fire degradada por incêndio.