Notícias

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)
Notícia cadastrada em: 27/06/2023 12:11
SIGAA | DGTI - Diretoria de Gestão de Tecnologia da Informação - Contatos (abre nova janela): https://ufla.br/contato | © UFLA | appserver2.srv2inst1 08/10/2024 02:09