Predição volumétrica utilizando redes neurais artificiais e dados de sensoriamento remoto em floresta nativa na Amazônia brasileira

Abstract

Amazônia brasileira envolve uma área de aproximadamente 5 milhões de quilômetros quadrados, nesta concentra-se a maior parte dos recursos florestais do planeta. Compreender sua conjuntura buscar formas para uma exploração sustentável é de suma importância no presente e futuro. Nesse sentido surgem os planos de manejo florestais sustentáveis (PMFS), porém a obtenção do volume nessas áreas muitas vezes é complexa e reservada a pequenas escalas. No presente estudo, objetivou-se correlacionar dados gerados dos índices de vegetação derivados de bandas espectrais do satélite Sentinel-2 e variáveis mensuradas em campo para predizer a produção volumétrica de árvores dentro de um PMFS. Para tanto tomou-se o diâmetro mínimo de medição (DMM) 30 cm, e juntamente as árvores de interesse comercial de acordo com o diâmetro mínimo de corte (DMC) a partir de 50 cm. Foram treinadas 300 redes neurais, em que 70% dos dados foram utilizados para o ajuste e 30% para validação. Posteriormente, as cinco redes de melhor desempenho foram retidas e listadas em tabelas apresentando os valores de correlação (r) entre os dados observados e os dados estimados pelas redes. Para o ajuste os resultados foram superiores a 90% sendo que a melhor RNA teve um poder preditivo de 97% para as árvores do DMM e 98% para as árvores de interesse comercial de acordo com DMC, para a validação os resultados também são superiores a 90%, os erros médios das estimativas RMSE foram inferiores a 20% em todas as 5 melhores redes nos dois casos. Os resultados deste estudo indicam que a junção de variáveis de rotina na floresta e os índices de vegetação derivados de imagens obtidas pelo sensor MSI a bordo do satélite Sentinel-2, estimam com boa acurácia tanto o volume da floresta na Amazônia como também o volume explorado para árvores de interesse comercial.