Banca de DEFESA: SEVERINO JOSÉ MACOO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: SEVERINO JOSÉ MACOO
DATA: 07/07/2023
HORA: 08:00
LOCAL: lemaf
TÍTULO:

Aplicação de métodos de aprendizado de máquina (machine learn) e dados de várias fontes para predição de estoque de carbono acima do solo no sul de Moçambique (florestas de Mopane)

PALAVRAS-CHAVES:

Carbono, Machine learnnig, Algoritmo Genético, Random forest, GARF, Programação genética, Mopane.

PÁGINAS: 80
GRANDE ÁREA: Ciências Agrárias
ÁREA: Recursos Florestais e Engenharia Florestal
SUBÁREA: Manejo Florestal
ESPECIALIDADE: Ordenamento Florestal
RESUMO:

As florestas tropicais desempenham um papel importante na regulação do clima global e do ciclo de carbono, e constituem maior reservatório do carbono terrestre. Porém, o desmatamento e degradação florestal, nestes ecossistemas, contribuem para o acúmulo de gases de efeito estufa na atmosfera, através da libertação do carbono e redução da capacidade de sequestro de carbono. A floresta de Mopane é um bioma dominado pela espécie Colophospermum mopane (J. Kirk ex Benth.) J. Léonard, que ocorre na região da África Austral, ocupando cerca de 555000 km². Em Moçambique forma uma das regiões fitogeográficas do país e ocorre nas províncias de Tete, Manica e Gaza. O Mopane fornece vários bens e serviços incluindo lenha e carvão vegetal. A produção de carvão vegetal é feita de forma seletiva e constitui o principal driver de degradação de mopane. Portanto, a quantificação dos estoques de carbono neste ecossistema é fundamental nos esforços de mitigação das mudanças climática e no monitoramento dos estoques de carbono no contexto da REDD+. As metodologias mais usadas para quantificação de carbono incluem equações alométricas e sensoriamento remoto. Porém, as incertezas associadas a precisão das estimativas ainda constituem uma preocupação dos pesquisadores. No entanto, com a evolução da inteligência computacional, nota-se na literatura uma tendência de migração na modelagem biofísica, ultrapassando as limitações da modelagem clássica.  A combinação entre o sensoriamento remoto e machine learnnig é potencial para modelagem de biomassa e carbono, principalmente em florestas tropicais, caracterizadas por elevada complexidade. Neste contexto, no presente estudo buscou-se aplicar métodos de machine learnnig e combinar informações de inventário florestal, sensoriamento remoto, cobertura florestal e variáveis biofísicas e bioclimáticas para modelagem do carbono arbóreo acima do solo, na vegetação de Mopane, no sul de Moçambique. Foram testadas duas estratégias metodológicas: (i) método híbrido que combina o Algoritmo Genético com Random Forest (GARF) e (ii) Programação Genética (PG) via regressão simbólica. O estudo foi realizado nas comunidades de Nwamandzele (distrito de Mabalane) e Chihondzoene (Chicualacuala) na província de Gaza. O clima local varia de tropical semi-árido a árido, com precipitação que varia de 300 a 700 mm/ano, e temperatura média anual de 20 a 26ºC. A cobertura florestal é maioritariamente composta por Mopane, intercalado com fragmentos de Mecrusse (Androstachys johnsonii) e floresta mista de Guibortia conjugada, Combetum spp., Acacia spp. e outras espécies. A amostra de campo foi composta por de 114 unidades amostrais (cluester) e foram usadas imagens de Sentinel-2, sentinel-1, MODIS e de World.Clim para extração das variáveis. Foram testadas no total 139 variáveis de naturezas fisionômica (3), geográficas (3), de cobertura vegetal (5), de RADAR (6), bioclimáticas (19) e de reflectância e índices espectrais (103). A base de dados foi dividida em treino (70%) e validação (30%). Cada método (GARF e PG) foi repetido 30 vezes e a melhor repetição foi selecionada como solução final. O desempenho dos métodos foi avaliado com base no RMSE, nRMSE e BEM, assim como a distribuição gráfica dos resíduos. A seleção do melhor modelo foi baseada na fronteira de Pareto (minimização do RMSE e número de variáveis). Das variáveis testadas (139), apenas um grupo restrito foi selecionado (frequência de seleção > 30%) tanto para GARF (6 variáveis) assim como para PG (8 variáveis). Ambos métodos selecionaram com mais frequência variáveis provenientes do sensor óptico (Sentinel-2), referente a bandas e índices de vegetação associadas ao Red Edge e variáveis bioclimáticas relacionadas a temperatura. Contudo, a PG foi mais abrangente ao selecionar também variáveis de cobertura vegetal, de RADAR e de fisionomia (formando modelos com efeito misto). O melhor modelo do GARF foi composto por 7 variáveis: sazonalidade da temperatura (bio4), precipitação do mês mais seco (bio14), precipitação do trimestre mais úmido (bio16), banda 5 (B5) do Sentinel-2, índices de vegetação (TTVI, mSR705 e MCARI2). O melhor da PG foi composto por 6 variáveis: temperatura média anual (bio1), temperatura média do trimestre mais úmido (bio8), índices de vegetação (MRBVI e OCVI), Non Tree Vegetation (% de cobertura de vegetação não arbórea) e variável do RADAR na polarização VH (média entre ascendente e descendente). O desempenho de ambos modelos foi similar, embora o erro na PG (RMSE=4.443 MgC.ha^-1, nRMSE=0.423 MgC.ha^-1, BEM=-2.469×10^-11 MgC.ha^-1) tenha sido ligeiramente inferior e estável em relação ao GARF (RMSE=4.478 MgC.ha^-1, nRMSE=0.427 MgC.ha^-1, BEM=0.081 MgC.ha^-1). Os resíduos para ambos modelos foram equilibrados (-10 e 10 MgC.ha^-1), embora o modelo de GARF subestimou em valores de carbono estimado acima de 17 MgC.ha^-1. De modo geral, a PG mostrou melhor distribuição em relação ao GARF. Ambos métodos se mostraram potenciais para predizer o estoque de carbono na floresta de Mopane, como alternativa aos modelos a modelagem clássica. A estrutura do modelo de GARF não pode ser visualizada, o que torna o modelo da PG mais vantajoso em termos práticos pois fornece um modelo visível e facilmente interpretável pelos usuários, com variáveis e coeficientes definidos.

MEMBROS DA BANCA:
Externo ao Programa - BRUNO HENRIQUE GROENNER BARBOSA - DAT/EENG (Membro)
Externo ao Programa - KALILL JOSE VIANA DA PASCOA - DCF/ESAL (Suplente)
Presidente - LUCAS REZENDE GOMIDE (Membro)
Externo à Instituição - TALLES HUDSON SOUZA LACERDA - S.A. (Suplente)
Externo à Instituição - LUCIANO CAVALCANTE DE JESUS FRANÇA - UFU (Membro)