Avaliação do uso da tecnologia LiDAR para predição da homogeneidade de um povoamento de Eucalyptus sp, baseado na extração de arvores individuais
Carlos Alberto Silva1 Carine Kaluberg1
Andrew Hudak2 Robert Liebermann 2
Samuel de Pádua Chaves e Carvalho3 Luiz Carlos Estraviz Rodriguez1
1 Universidade de São Paulo - USP/ESALQ
Caixa Postal 96 - 13416-000 - Piracicaba - SP, Brazil Carlos_engflorestal@yahoo.com.br
Carine_Klauberg@hotmail.com lcer@usp.br
2Rocky Mountain Research Station RMRS – US Forest Service
Post office box- 83843 - Moscow - Idaho, USA ahudak@fs.fed.us
rjl@mail.ru
3Especialista em Inventário Florestal – Fibria Celulose S/A
Caixa posta 28. Capão Bonito/SP Samuel.carvalho@fibria.com.br
Abstract. In this work we evaluated the performance of LiDAR data for the prediction of forest homogeneity in Eucalyptus sp plantation, as applied to individual tree processing. We established 17 field plots to document; tree density and height were measured in all plots. For individual tree processing for LiDAR, we used the CanopyMaxima tool that is part of the FUSION software. Forest homogeneity was evaluated by tree height classification: dominant, codominant and dominant. The results show that LiDAR has a good accuracy of tree density detection (97,9%); however, for prediction forest homogeneity, further development of this methodology is needed to improve the accuracy.
Palavras-chave: Forest homogeneity, LiDAR, Eucalyptus sp.
1. Introdução
O sensoriamento remoto via LiDAR tem se mostrado nos últimos anos uma eficiente ferramente aplicada ao inventário florestal (Hudak et al., 2012, Maltamo et al., 2004, Nasset, E. 2004b). Uma das principais abordagens utilizando essa tecnologia, é o inventário florestal baseado em nível de indivíduos. Alguns trabalhos publicados por Hyyppä et al., (2001), Persson et al., (2002), Brandtberg et al., (2003), Popescu et al., (2003) and Popescu e Wynne, (2004) reportam o potencial dessa tecnologia para detecção e extração de parâmetros florestais baseado em níveis de árvores individuais.
Neste trabalho, obvetivou-se avaliar o uso da tecnologia LiDAR para predição da homogeneidade de um povoamento de Eucalyptus sp, baseado na extração de árvores individuais. A hipótese foi de que o LiDAR baseado na extração de árvores individuais, apresenta alta acurácia para predição da homogeneidade florestal, quando comparado ao inventário convencional.
2. Metodologia de Trabalho
2.1 Área de estudo
O presente estudo foi realizado no município São Luiz do Paraitinga, no estado de São Paulo. O clima da região, segundo Koppen é do tipo Cwa, clima temperado húmido com inverno seco e verão quente (Cepagri, 2012). As temperaturas médias do ar oscilam entre 16.4ºC no mês mais frio (julho) e 23.2ºC em fevereiro, com umidade relativa média do ar em torno de 76%. A paisagem é composta por um relevo que de estende do suave ondulado ao forte ondulado ou montanhoso, podendo atingir declividade entre 3 a 45 %. Segundo Macedo (2009), os solos desta região são predominantemente do tipo Latossolo Vermelho-Amarelo.
A área de estudo apresenta aproximadamente 84 ha, e está ocupada por um povoamento de Eucalyptus com 6 anos de idade, de propriedade da empresa Fibria Celulose S/A. O plantio foi realizado em um espaçamento de 3x2 m, buscando atingir uma ocupação de área por planta de aproximadamente 6 m² e 1667 plantas por hectare.
Figure 1. Localização da área de estudo. Município de São Luiz do Paraitinga, SP 2.2 Coleta e processamento de dados de campo
Para o inventário de homogeneidade florestal, foram dispostas aleatoriamente 17 parcelas circulares de 400 m² (raio de 11.283792 m) sendo que para cada parcela foram feitas medições coletando a densidade de individuos por parcela e a altura total (H) de todas as árvores presentes nas parcelas utilizando clinômetro digital. Foram também coletadas as coordenadas geográficas X e Y do centro das parcelas, com receptores geodésicos, modelo Trimble ProXRT garantindo precisão em escala centimétrica em torno de 10 cm no pós processamento. O sistema de projeção utilizado foi o UTM SIRGAS 2000.
2.3 Coleta e processamento de dados LiDAR
Os dados foram adquiridos através de um sistema a Laser Aerotransportado Riegl LMS – Q680I, embarcado em uma aeronave do modelo Piper Seneca II. Os dados referentes ao vôo estão apresentados na tabela abaixo.
Tabela 1. Atributos inerentes aos dados de vôo, equipamento a laser e resolução espacial a serem utilizadas na coleta dos dados LiDAR.
Atributos Valores
Densidade de pulso laser 10 m²
Resolução espacial 0.2m
Bandas RGB
Resolução espectral 12bits
Velocidade 148km.h-1
Altura de vôo 792m
Ângulo de varredura 60º
Precisão 0.5m (1.0 sigma)
Largura da faixa de cobertura 915m
Frequência de varredura 200Hz
Câmera Z/l DMC
Para o processamento dos dados LiDAR foi utilizado o software FUSION versão 3.01, desenvolvido pelo Serviço Florestal Norte Americano. O FUSION é um software gratuito e disponível para download na pagina do USDA Forest Service. As estapas do processamento podem ser vista na Figura 3, logo abaixo:
Figure 2. Etapas do processamento da nuvem de pontos LiDAR. O DTM, DSM e CHM foram criados com resolução de 1 x 1m .
Como observado na figura 2, para a detecção e extração das árvores individuais foi utilizado a ferramenta CanopyMaxima pertencente ao softwere FUSION. Um dos algoritmos mais utilizados para localização das árvores individuais no CHM é o filtro de máximos locais (LM). Esse algoritmo tem sido reportado por Popescu et al. (2002) e Popescu e Wynn (2004), e implementado no softwre TreeVAW (Kini and Popescu, 2004). Recentemente, McGaughey (2012) também programou esse algoritmo no software FUSION, através da ferramenta CanopyMaxima. Para este estudo, aplicou-se CanopyMaxima, com um filtro de janela fixa de 1m x 1m.
2.3 Avalição da homogeneidade florestal
Para avaliação da homogeneidade florestal, foram levadas em consideração apenas as alturas dos indivíduos. Para isso, arbitrariamente baseado nos dados de inventário coletado em campo, foi elaborada uma classificação baseada em altura, na qual categoriza os indivíduos em: dominantes, codominantes e dominados, como seguem na Tabela 1.
Tabela 2. Metodologia para a classificação dos indivíduos perante a posição sociologica.
Classes Posição em altura Intervalo em altura
I Dominante ≥ µ
II Codominante µ≤ ≥ µ– s*2
III Dominadas ≥ µ – s*2
Obs.: “µ” corresponde a média e “s” ao desvio padrão
Após a obtenção dos valores em altura para cada classe estabelecida na tabela acima, esta foi aplicada aos resultados observados em campo e preditos via LiDAR, para obtenção da porcentagem de indivíduos referente a sua posição em altura. Para comparação dos resultados obtidos em nível de parcela e de indivíduos, esses foram sumarizados em gráficos e tabelas utilizando estatística descritiva.
3. Resultados e Discussão
3.1 Densidade e altura dos indivíduos
A densidade de indivíduos observada pelo inventário convencional aplicado as 17 parcelas em campo, foi de aproximadamente 1093 indivíduos, com uma media de 66
indivíduos por parcela. Convertendo esse resultado para hectare, observamos um total de 1650 ind. ha -1. Os resultados de densidade de indivíduos obtidos em todas as parcelas inventarias pelo LiDAR foram de 1077, com uma media de 63 indivíduos por parcela, e um total de 1575 ind. ha -1. Calculando a diferença em porcentagem dos valores em densidade de indivíduos observados e preditos, foi encontrada uma diferença de apenas 1.43% negativa (98,57 de precisão). Em sua maioria, houve pequena tendência para subestimação do numero de indivíduos por parcela obtidos via LiDAR (Figura 2A).
Com relação aos resultados para altura dos indivíduos em nível de parcela, tanto a curvas de altura máxima quanto a de altura media preditas pelo LiDAR(Figura 2B e C ), apesar de apresentarem uma leve superestimação, demostraram semelhantes comportamentos quanto comparadas aos valores observados em campo. No entanto, quando avaliando as curvas de altura mínima (Figura 2D), observamos que os resultados obtidos via LiDAR não apresentaram comportamento semelhante quando comparados aos dados observados em campo, atingindo o máximo da diferenças em altura de aproximadamente 17 m para P7 e P1.
Figure 2. Desempenho do LiDAR para detecção da densidade de indivíduos arbóreos (A), altura máxima (B), média (C) e mínima (D), nas parcelas inventariadas baseado na extração de árvores individuais.
3.3 Classificação quanto a posição em altura
Para toda a área amostral, a altura média observada em campo foi de aproximadamente 28 m, altura máxima de aproximadamente de 31 m, altura mínima aproximadamente de 2 metros e o desvio padrão de aproximamente 4 m. Aplicando os valores de altura média e desvio padrão, foram estabelecidas as alturas para cada classe (I, II e III) referente a posição em altura. (Tabela 3).
Tabela 3. Posição sociologica referente ao inventario de altura
Classes Posição em altura Altura (m)
I Dominante I ≥ 28
II Codominante 28≤ II≥20
III Dominadas III ≥ 20
A ) B )
3.4 Avaliação da homogeneidade florestal qunato a posição em altura dos indivíduos Os resultados preditos via LiDAR e observados em campo com relação a posição em altura, apresentam comportamentos diferenciados. Em campo, 7% dos indivíduos foram classificados como pertencentes à classe I (dominantes), 80% pertencentes à classe II (codominantes) e 13% pertencentes à classe III (dominados). Para os indivíduos preditos via LiDAR, 54% desses foram classificados como pertencentes à classe I (dominantes), 43% pertencentes à classe II (codominantes) e 3% pertencentes a classe III (dominados). Uma análise exploratória mais detalhada em nível de parcela pode ser visualizada na Tabela 4. Tabela 4. Resultado da posição em altura referente - Obervado & predito via LiDAR
Parcelas
Posição em altura - LiDAR Posição em altura observada
I II III NTP I II III NTP Nº % Nº % Nº % Nº % Nº % Nº % P1 37 63 22 37 0 0 59 0 0 60 85 11 15 71 P2 62 89 7 10 1 1 70 15 23 48 74 2 3 65 P3 52 75 17 25 0 0 69 2 3 60 100 0 0 60 P4 5 8 53 88 2 3 60 2 3 57 89 5 8 64 P5 50 85 9 15 0 0 59 6 10 52 88 5 8 59 P6 52 87 6 10 2 3 60 3 5 52 81 6 9 64 P7 48 84 8 14 1 2 57 0 0 57 92 2 3 62 P8 15 21 55 77 1 1 71 0 0 58 89 7 11 65 P25 6 9 61 87 3 4 70 0 0 60 87 9 13 69 P26 0 0 62 94 4 6 66 0 0 45 65 24 35 69 P27 22 35 30 48 10 16 62 20 32 28 44 15 24 63 P28 41 68 9 15 10 17 60 11 18 34 56 16 26 61 P29 3 5 57 95 0 0 60 2 3 54 82 12 18 66 P30 61 94 4 6 0 0 65 5 8 54 84 8 13 64 P31 43 75 14 25 0 0 57 8 12 53 80 8 12 66 P32 49 80 12 20 0 0 61 0 0 51 78 6 9 65 P33 32 45 38 54 1 1 71 0 0 57 95 3 5 60 NTPS 578 464 35 1077 74 880 139 1093
NTP: Numero total de indivíduos por parcela; NTPS: número total de indivíduos por posição em altura. De forma generalizada, observamos que os resultados preditos via LiDAR supestimaram os individuos pertencente a classe dominante, e subestimaram os indivivuos pertencentes a classe dominada, quando comparados aos resultados observados em campo. Teoricamente, existe diversos fatores que podem vir a influenciar os resultados para detecção e extração de parametros em nível de árvores individuais utilizando a tecnologia LiDAR. Alguns deles podem ser inerentes aos dados de vôo, como a densidade de pulso laser utilzada; ao tipo de processamento da nuvem de pontos LiDAR, como o tipo de algoritmo aplicado para deteccao e extracao dos individuos; e aos parametros inerentes ao alvo em estudo, como por exemplo, a intensidade de copa presente na floresta.
Neste estudo em questão, uma possível explicação para a baixa acurácia do LiDAR quanto a detecção da homogeneidade florestal, pode ser em função da alta densidade de copa, uma vez que, o alvo em estudo, como neste caso é a floresta equiânea com alta densidade de copa, os pontos laser tem dificultade para atingir de forma eficiente os extratos intermediários e inferiores da floresta, uma vez que são em sua maioria interceptados pela copas das árvores
no docel da floresta. Além do mais, quando criado o modelo digital de altura (CHM), devido à alta densidade, os picos referentes às copas não ficam tão evidenciados, quando comparados a uma floresta com baixa densidade de copa (Figura 3), o que pode vir a influenciar no desempenho do algoritmo LM, uma vez que este utiliza os picos para identificação e extração dos indivíduos na floresta.
Figura 3. Representação real do Modelo digital de altura (CHM). A) CHM da floresta de Eucalyptus sp (P5 desse estudo), caracaterizado por alta densidade de copa. B) CHM de uma floresta de conífera, sudoeste dos Estados Unidos da América, caracterizado como uma floresta de baixa densidade de copa.
Como observado na figura acima, no CHM para a floresta de eucalipto de alta densidade de copa, não há uma clara distinção dos indivíduos na parcela, tornando esta um macico homogêneo. Já ao contrário ocorre em uma floresta com baixa densidade de copa, onde os indivíduos podem ser facilmente visualizados pelo forte contraste monocromático entre as corres branca e preta. Para detecção e extração de árvores pelo filtro Local Máximo, certamente esse terá uma melhor desempenho em florestas de baixa densidade de copa, como foi o caso exemplificado na figura 3B.
Figura 4. Visualizado em 3D processamento LiDAR. A) Nuvem de pontos LiDAR, B) Detecção de arvores individuais na nuvem de pontos, C) Árvores individuais modeladas.
Na figura 5 estão ilustrados os resultados para classificação dos indivíduos quanto as classes de altura estabelecidas na metodologia desse trabalho.
A ) B )
Parcela 1 Parcela 2 Parcela 3 Parcela 4
Parcela 5 Parcela 6 Parcela 7 Parcela 8
Parcela 25 Parcela 26 Parcela 27 Parcela 28
Parcela 29 Parcela 30 Parcela 31 Parcela 32
Parcela 33 Dominante Codominante Dominada
Figura 5. Visualização em 3D dos indivíduos classificados em altura pelo processamento LiDAR. Coloração vermelha: Árvores dominante, Verde: Árvores codominantes e azul: Dominadas
4. Conclusões
Os resultados apresentados até o momento demonstram o grande potencial do LiDAR para a análise de homogeneidade de árvores individuais em povoamentos clonais de eucaliptos.
Agradecimentos
À Fibria Celulose S/A pela cessão dos dados aerotransportados LiDAR e dados de inventário para a realização desse estudo. A FAPESP pela bolsa concedida e ao Rocky Mountain Research Station RMRS/ US Forest Service em Moscow/Idaho-USA pelo apoio no processamento dos dados.
Referências Bibliográficas
Cepagri. Disponível em < http://www.cpa.unicamp.br/outras-informacoes/clima_muni_562.html > Acesso em 30 out.2012.
Brandtberg, T., T.A. Warner, R.E. Landenberger, and J.B. McGraw. Detection and analysis of individual leaf-off tree crowns in small footprint, high sampling density lidar data from eastern deciduous forest in North America, Remote Sensing of Environment, 85:290–30, 2003.
Hudak, A. T., Strand, E. K., Vierling, L. a., Byrne, J. C., Eitel, J. U. H., Martinuzzi, S., & Falkowski, M. J. Quantifying aboveground forest carbon pools and fluxes from repeat LiDAR surveys. Remote Sensing of Environment, 123, 25–40, 2012
Hyyppä, J., O. Kelle, M. Lehikoinen, and M. Inkinen. A segmentation-based method to retrieve stem volume estimates from 3-D tree height models produced by laser scanners, IEEE Transactions on Geoscience and Remote Sensing, 39:969–975, 2001.
Macedo, R. C. Estimativa volumétrica de povoamento clonal de Eucalyptus sp. através de laserscanner aerotranportado. 2009. 143 f. Dissertação (Mestrado em Sensoriamento Remoto) - Instituto Nacional de Pesquisas Espaciais – INPE. São José dos Campos: 2009
Maltamo, M.; Eerikainen, K.; Packalen, P.; Hyyppa, J. Estimation of stem volume using laser scanning-based canopy height metrics. Forestry. 79: 217-229, 2006
Nasset, E. . Accuracy of forest inventory using airborne laser-scanning: evaluating the first Nordic full-scale operational project. Scandinavian Journal of Forest Research. 19: 554-557, 2004b.
Persson, Å., J. Holmgren, and U. Söderman. Detecting and measuring individual trees using an airborne laser scanner,Photogrammetric Engineering & Remote Sensing, 68:925–932, 2002.
Popescu, S. C., R. H. Wynne, and R. F. Nelson. Estimating plot-level tree heights with lidar: local filtering with a canopy-height based variable window size. Computers and Electronics in Agriculture 37, no. 1-3: 71-95, 2002. Popescu, S. C., R. H. Wynne, and R. F. Nelson. Measuring individual tree crown diameter with lidar and assessing its influence on estimating forest volume and biomass. Canadian Journal of Remote Sensing, 29, no. 5: 564–577, 2003.
Popescu, S.C., and R.H. Wynne. Seeing the trees in the forest: Using lidar and multispectral data fusion with local filtering and variable window size for estimating tree height, Photogrammetric Engineering & Remote Sensing, 70:589–604, 2004.
