Banca de DEFESA: EVANDRO NUNES MIRANDA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: EVANDRO NUNES MIRANDA
DATA: 23/08/2024
HORA: 08:00
LOCAL: lemaf
TÍTULO:

MANEJO FLORESTAL ORBINTAL: USO DE IMAGENS DE SATÉLITE E MACHINE LEARNING PARA OTIMIZAR E AUXILIAR A TOMADA DE DECISÃO

PALAVRAS-CHAVES:

Machine Learning; Optimização; Manejo florestal

PÁGINAS: 78
GRANDE ÁREA: Ciências Agrárias
ÁREA: Recursos Florestais e Engenharia Florestal
SUBÁREA: Manejo Florestal
ESPECIALIDADE: Ordenamento Florestal
RESUMO:

O monitoramento florestal com o uso de imagens é uma prática consolidada na indústria florestal, seja por meio de drones ou sensoriamento remoto. No entanto, há uma necessidade contínua de aprimorar tecnologias e metodologias para alcançar resultados mais precisos e eficazes. Imagens de satélite oferecem uma fonte rica de informações, com resolução espacial e temporal que permite o monitoramento constante das florestas, com precisão confiável. Esta tese tem como objetivo utilizar dados de sensoriamento remoto de forma econômica e periódica, integrando essas informações com as condições das florestas. Isso inclui a detecção automatizada e periódica de anomalias florestais, a identificação da competição de mato com florestas de eucalipto em plantios jovens e a previsão do potencial de crescimento e produtividade futura. No primeiro artigo, o objetivo foi construir um modelo autorregressivo que utiliza informações de índice de vegetação, com variáveis cadastrais, como zonas climáticas e material genético, para a detecção de anomalias em plantios florestais. Modelos de machine learning (ML), como random forest (RF) e extreme gradient boosting (XGBoost), foram usados para alcançar esse objetivo, com os melhores resultados obtidos pelo XGBoost. A metodologia proposta mostrou-se altamente aderente e confiável para a detecção de anomalias. No segundo artigo, o objetivo foi detectar a competição de mato com plantios jovens de eucalipto usando imagens de Sentinel-2. Utilizou-se uma metodologia de seleção de variáveis com algoritmo genético e classificação da presença ou ausência de competição com RF, denominado GARF. O método foi eficiente e selecionou um subconjunto ótimo de variáveis que permitem a identificação dessa competição usando imagens de satélite. No terceiro artigo, o foco foi estimar a altura dominante de florestas de eucalipto aos 2 anos de idade, utilizando informações satelitais e climáticas coletadas ao completar um ano de idade dos plantios. Essa estimativa antecipada da qualidade local permite gerar um inventário florestal precoce. Utilizou-se o GARF para seleção de variáveis e regressão, permitindo a inclusão de variáveis climáticas e influências biológicas no modelo. Essas informações serão integradas a um banco de dados para apoiar a tomada de decisões, oferecendo uma base sólida para uma gestão florestal mais eficiente e sustentável. A incorporação de inteligência computacional, como ML, potencializa ainda mais a capacidade de monitoramento constante das florestas e a detecção de anomalias.

MEMBROS DA BANCA:
Presidente - LUCAS REZENDE GOMIDE (Membro)
Interno - CAROLINA SOUZA JAROCHINSKI E SILVA (Suplente)
Interno - OTAVIO CAMARGO CAMPOE (Membro)
Externo ao Programa - THIZA FALQUETO ALTOE - DCF/ESAL (Suplente)
Externo à Instituição - HENRIQUE FERRAÇO SCOLFORO - S.A. (Membro)
Externo à Instituição - TALLES HUDSON SOUZA LACERDA - S.A. (Suplente)
Externo à Instituição - CÁSSIO AUGUSTO USSI MONTI - S.A. (Membro)
Externo à Instituição - KALILL JOSE VIANA DA PASCOA - UFLA (Membro)