Detectando diversidade florística de florestas em restauração usando sensoriamento remoto e machine learning

• Processo: 23/08556-0
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
• Data de Início da vigência: 01 de setembro de 2023
• Data de Término da vigência: 31 de dezembro de 2023
• Área de conhecimento: Ciências Biológicas - Ecologia - Ecologia Aplicada
• Pesquisador responsável: Pedro Henrique Santin Brancalion
• Beneficiário: Gustavo Fiedler Rossi
• Supervisor: Thiago Sanna Freire Silva
• Instituição Sede: Escola Superior de Agricultura Luiz de Queiroz (ESALQ). Universidade de São Paulo (USP). Piracicaba , SP, Brasil
• Instituição Anfitriã: University of Stirling, Escócia
• Vinculado à bolsa: 22/16261-7 - Análise da diversidade florística de florestas restauradas por meio de sensoriamento remoto, BP.IC
• Assunto(s): Biodiversidade Florística Sensoriamento remoto Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Biodiversidade | Ecologia | florística | Sensoriamento Remoto | Sensoriamento Remoto

Resumo

A restauração florestal é considerada uma das melhores opções para mitigar os efeitos das mudanças climáticas e reduzir a perda de biodiversidade. Várias técnicas de restauração florestal foram desenvolvidas no Estado de São Paulo, desempenhando um papel crucial na proteção da Mata Atlântica. No entanto, os métodos para monitorar o sucesso da restauração dependem principalmente de viagens de campo para analisar diferentes fatores, como diversidade e composição florística, um processo demorado e custoso. Com o uso de técnicas de sensoriamento remoto, podemos reduzir o custo do monitoramento ampliando a escala espacial e temporal e combinando diferentes sensores para detectar várias características da vegetação. As constelações de satélites Sentinel 1, Sentinel 2 e Planet captam imagens em diferentes bandas do espectro electromagnético, desde o visível até às microondas, detectando diferentes aspectos do teor de água e da composição e estrutura da vegetação. Além disso, imagens derivadas de dados do sensor LiDAR, que é capaz de fornecer uma visão 3D das florestas, são úteis para estimar diferentes variáveis estruturais, que podem ser relacionadas com variáveis florísticas. O foco deste projeto é utilizar imagens de sensoriamento remoto (Sentinel 1, Sentinel 2, Planet e LiDAR), combinadas com dados de inventário florestal obtidos em campo (projeto Newfor - #FAPESP 2018/18416-2) e técnicas de Machine Learning para analisar a diversidade e composição florística de florestas estacionais semideciduais em restauração no estado de São Paulo. A identificação de variáveis florísticas medidas em campo com potencial para serem monitoradas por sensoriamento remoto permitirá otimizar o processo de estudo da biodiversidade e monitoramento da restauração florestal. (AU)