Individualização de copas de árvores através de detecção remota

Abstract

As florestas desempenham um papel de extrema importância na sociedade e, consequentemente, o conhecimento sobre ela é essencial para a sua gestão e usufruto sustentável. A recolha de informação florestal é um processo complexo, tradicionalmente alcançado através de inventários florestais. A Deteção Remota tem sofrido um desenvolvimento crescente que tem vindo a possibilitar soluções inovadoras e eficazes em diversos campos do conhecimento, nomeadamente no que diz respeito à gestão florestal. A Individualização de Copas de Árvores (ICA) a partir de fotografia aérea é uma operação que poderá facilitar a recolha de informação florestal, permitindo a obtenção indireta de parâmetros físicos das árvores, medidas estas de extrema importância para a gestão florestal. Assim, o presente relatório de estágio tem como principal objetivo explorar diversos algoritmos que permitem a ICA de forma mais automatizada, num sistema florestal característico de Portugal: o Montado. Trata-se de um sistema florestal único no contexto nacional, no qual a monotorização e correta gestão florestal pode ser melhorada e desenvolvida a partir de novas metodologias. Neste seguimento foi utilizada como base de trabalho uma fotografia aérea de alta resolução correspondente a uma zona de montado e uma metodologia de trabalho dividida em três fases distintas: a construção de objetos representados na imagem, uma classificação por limares para seleção dos objetos correspondentes a copas de árvores e a validação da cartografia de Copas de Árvores obtida. Foram aplicados cinco algoritmos que permitiram a construção dos objetos representados na imagem, assentes em bases técnicas distintas. Desde os mais usualmente utilizados nesta tarefa, baseados na segmentação de imagens - Watershed, Crescimento de Regiões e Multiresolução – até a técnicas mais avançadas, como os algoritmos de aprendizagem automática (machine learning) - Random Forests e Máxima Entropia. Na fase seguinte foram selecionados os objetos que correspondiam a copas de árvores através de um processo de classificação por limiares, fazendo uso de um conjunto de variáveis espectrais e morfológicas de interesse.Foram produzidos mapas de Copas de Árvores para cada algoritmo, verificando-se para os algoritmos de segmentação uma exatidão global entre 0,67 - 0,73 e coeficiente de concordância Kappa abaixo de 0,46 e para os algoritmos de machine learning uma exatidão global entre 0,79 - 0,81 e coeficiente de concordância Kappa acima de 0,55. Estes últimos demonstraram-se assim promissores na tarefa de ICA, em detrimento dos já convencionalmente aplicados.

Forests play an important role on world’s society and, as a result, the knowledge about them is essential for their sustainable management and use. Forest data collection is a complex task, traditionally achieved by forest inventory. Remote Sensing has undergone a growing development, which has enabled new and effective solutions in several fields of knowledge, especially regarding to forest management. Tree Crown Individualization (TCI) from aerial photography can make forest data collection an easier task, allowing indirect data collection of tree measures, which are extremely important for forest management. Therefore, the main purpose of this work is to explore several algorithms that allow TCI from remote sensing data, in a more automated way, in a characteristic Portuguese forest: the cork oak forest. It is a national unique forest, in which monitoring and correct forest management can be of improved and developed through new methodologies. In order to achieve the presented purpose, was developed a methodology divided into three phases, to apply to a high-resolution aerial photography: object construction phase, threshold classification phase for selection of tree crown objects and the Tree Crown Cartography validation phase. For the first phase, five algorithms were applied to build image objects. From the most commonly used, based on image segmentation – Watershed, Region Growing and Multiresolution – to more advanced techniques, such as machine learning algorithms – Random Forests and Maximum Entropy. Later, objects corresponding to tree crowns were selected by a threshold classification, making use of a variable set of interest. Tree Crown maps were produced for each algorithm used, with a global accuracy between 0,67-0,73 and a Kappa coefficient of agreement below 0,46 for image segmentation algorithms, and a global accuracy between 0,79-0,81 and a Kappa coefficient of agreement above 0,55 for machine learning algorithms. Thus, the later ones have shown promising results in the TCI task, in opposition to those conventionally applied.