%0 Thesis
%4 sid.inpe.br/mtc-m21c/2020/04.03.20.59
%2 sid.inpe.br/mtc-m21c/2020/04.03.20.59.54
%T Integration of LiDAR and hyperspectral data for forest disturbance characterization and aboveground biomass estimation in the Brazilian Amazon
%J Integração de dados LiDAR e hiperespectrais para a caracterização de distúrbios florestais e a estimativa da biomassa acima do solo na Amazônia Brasileira
%D 2020
%8 2020-03-04
%9 Tese (Doutorado em Sensoriamento Remoto)
%P 126
%A Almeida, Catherine Torres de,
%E Anderson, Liana Oighenstein (presidente),
%E Galvão, Lênio Soares (orientador),
%E Aragão, Luiz Eduardo Oliveira e Cruz de (orientador),
%E Ometto, Jean Pierre Henry Balbaud,
%E Graça, Paulo Maurício Lima de Alencastro,
%E Keller, Michael Maier,
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%C São José dos Campos
%K hyperspectral remote sensing, laser scanning, data fusion, tropical forest, secondary successions, sensoriamento remoto hiperespectral, perfilamento a laser, fusão de dados, floresta tropical, sucessões secundárias.
%X Advancements in remote sensing technologies provide new opportunities to answer complex ecological questions in tropical forests, which play a crucial role on the stability of global biogeochemical cycles and biodiversity. Light Detection And Ranging (LiDAR) and Hyperspectral Imaging (HSI) provide complementary information that can potentially improve the characterization of tropical forests and reduce the uncertainties in estimating greenhouse gas emissions from deforestation and forest degradation. This thesis aims to explore optimal procedures for improving tropical forest disturbance characterization and aboveground biomass (AGB) modeling using integrated LiDAR and HSI data and advanced machine learning algorithms. The study area covered 12 sites distributed across the Brazilian Amazon biome, spanning a variety of environmental and anthropogenic conditions. The methods were divided into three parts: (1) classification of forest disturbance status (Chapter 5); (2) AGB modeling (Chapter 6); and (3) analysis of the AGB variability according to anthropogenic and environmental variables (Chapter 7). Firstly, four classes of forest disturbance (undisturbed forests, disturbed mature forests, and two stages of secondary forests) were identified using Landsat time series between 1984 and 2017. Several LiDAR and HSI metrics obtained over 600 sample plots were then used as input data to three machine learning models for distinguishing those classes. Secondly, georeferenced inventory data from 132 sample plots were used to obtain a reference field AGB. A great number of LiDAR and HSI metrics (45 and 288, respectively) were submitted to a correlation filtering followed by a feature selection procedure (recursive feature elimination) to optimize the performance of six regression models. Finally, the average of AGB predictions from the best multisensor models was calculated over 600 sample plots where field AGB data were not available. A multivariable linear regression model was then used to assess the extent to which the predicted AGB variability was affected by anthropogenic (disturbance type and time) and environmental (annual rainfall, climatic water deficit, and topography) factors in secondary and mature forests. Overall, the results showed that the combination of LiDAR and HSI data improved both the classification of forest disturbances and the estimation of AGB compared to using a single data source. Using multisource remote sensing data was more effective than using advanced machine learning for both classification and regression models. The LiDAR-based upper canopy cover and the HSI-based absorption bands in the nearinfrared (NIR) and shortwave infrared (SWIR) spectral regions were the most influential metrics for characterizing the disturbance status and estimating AGB. Anthropogenic disturbances played the greatest effect on predicted AGB variability, reducing up to 44% the AGB of disturbed mature forests compared to the undisturbed ones. Secondary forests displayed an AGB recovery rate of 4.4 Mg.ha-1.yr-1. Water deficit also affected the variability of AGB in both mature and secondary forests, suggesting a lower recovery potential in water-stressed areas. The results highlight the potential of integrating LiDAR and HSI data for improving our understanding of forest dynamics in the face of increasing anthropogenic global changes. RESUMO: Os avanços nas tecnologias de sensoriamento remoto oferecem novas oportunidades para responder a questões ecológicas complexas em florestas tropicais, que desempenham um papel crucial nos ciclos biogeoquímicos globais e na biodiversidade. O sensoriamento remoto LiDAR (Light Detection And Ranging) e HSI (imageamento hiperespectral) fornecem informações complementares que podem melhorar a caracterização das florestas tropicais e reduzir as incertezas na estimativa das emissões de gases de efeito estufa devido ao desmatamento e degradação florestal. Esta tese visa explorar os procedimentos ideais para melhorar a caracterização de distúrbios das florestas tropicais e a modelagem de biomassa acima do solo (AGB) através do uso de dados LiDAR e HSI integrados e algoritmos avançados de aprendizado de máquina. A área de estudo abrangeu 12 locais distribuídos no bioma Amazônia no Brasil, incluindo uma variedade de condições ambientais e antropogênicas. Os métodos foram divididos em três partes: (1) classificação do status de distúrbio florestal (Capítulo 5); (2) modelagem da AGB (Capítulo 6); e (3) análise da variabilidade da AGB segundo variáveis antropogênicas e ambientais (Capítulo 7). Primeiramente, quatro classes de distúrbios florestais (florestas não perturbadas, florestas maduras perturbadas e dois estágios de florestas secundárias) foram identificadas usando séries temporais do Landsat entre 1984 e 2017. Várias métricas de LiDAR e HSI obtidas em 600 parcelas amostrais foram usadas como dados de entrada em três modelos de aprendizado de máquina para distinguir essas classes. Em segundo lugar, dados de inventário georreferenciados de 132 parcelas amostrais foram usados para obter a AGB de referência. Um grande número de métricas LiDAR e HSI (45 e 288, respectivamente) foram submetidas a um filtro de correlação seguido de um procedimento de seleção de atributos (Recursive Feature Elimination) para otimizar o desempenho de seis modelos de regressão. Finalmente, a média das estimativas de AGB derivadas dos melhores modelos multisensores foi calculada em 600 parcelas amostrais onde os dados de AGB de campo não estavam disponíveis. Um modelo de regressão linear multivariável foi então usado para avaliar até que ponto a variabilidade da AGB é afetada por fatores antropogênicos (tipo e tempo de distúrbio florestal) e ambientais (precipitação anual, déficit hídrico climático e topografia) em florestas secundárias e maduras. No geral, os resultados obtidos nos três capítulos mostraram que a combinação dos dados LiDAR e HSI melhorou a classificação dos distúrbios florestais e a estimativa da AGB em comparação ao uso de uma única fonte de dados. O uso de dados de sensoriamento remoto de várias fontes foi mais eficaz do que as técnicas avançadas de aprendizado de máquina para os modelos de classificação e regressão. A cobertura superior do dossel baseada em dados LiDAR e as bandas de absorção baseadas em dados HSI nas regiões espectrais de infravermelho próximo e infravermelho de ondas curtas foram as métricas mais influentes para caracterizar o status de perturbação e estimar a AGB. Os distúrbios antropogênicos tiveram o maior efeito na variabilidade da AGB derivada de dados multisensores, reduzindo em até 44% a AGB de florestas maduras perturbadas em comparação com as não perturbadas. As florestas secundárias apresentaram uma taxa de recuperação de AGB de 4,4 Mg.ha-1.ano-1. O déficit hídrico também afetou a variabilidade da AGB em florestas maduras e secundárias, sugerindo um menor potencial de recuperação em áreas sob alto estresse hídrico. Os resultados destacam o potencial da integração de dados LiDAR e HSI para melhorar nosso entendimento da dinâmica florestal diante das crescentes mudanças globais antropogênicas.
%@language en
%3 publicacao.pdf