Proposta de Ajuste de Altura Interferométrica para Modelo de Estimativa de Biomassa

Autores

  • Carlos Alberto Pires de Castro-Filho Universidade de Brasília (UnB), Instituto de Geociências, Programa de Pós-Graduação em Geociências Aplicadas e Geodinâmica, Campus Universitário Darcy Ribeiro, Instituto Central de Ciências – ICC, Ala Central, 70910 900, Brasília, DF, Brasil
  • Edilson de Souza Bias Universidade de Brasília (UnB), Instituto de Geociências, Programa de Pós-Graduação em Geociências Aplicadas e Geodinâmica, Campus Universitário Darcy Ribeiro, Instituto Central de Ciências – ICC, Ala Central, 70910 900, Brasília, DF, Brasil

DOI:

https://doi.org/10.11137/2020_3_110_123

Palavras-chave:

RADAR, InSAR, Biomassa

Resumo

A tecnologia de Radar de Abertura Sintética Interferométrica (InSAR), quando utilizada em diferentes comprimentos de onda, é capaz de gerar a altura interferométrica (Hint), calculada pela diferença aritmética entre o modelo digital de superfície (MDS) e o modelo digital do terreno (MDT). A Hint representa a altura da vegetação, visto que é o comprimento entre o terreno e o dossel da vegetação e, teoricamente, para áreas de solo exposto deve ter o valor estatisticamente igual a zero. O presente artigo tem por objetivo analisar a possibilidade de utilização de áreas identificadas como de solo exposto para ajustar dados InSAR, e consequentemente a Hint, visando a melhoria no modelo de estimativa de biomassa. A metodologia adotada inclui o uso de técnicas paramétricas e não paramétricas de busca de solução para definição dos parâmetros de ajuste da Hint sobre modelos matemáticos polinomiais e logarítmicos. Os melhores resultados foram obtidos com o modelo matemático logarítmico cujos parâmetros foram ajustados com a técnica do Gradiente Reduzido Generalizado. Entretanto, a análise dos resultados mostrou que não houve melhora significativa do coeficiente de correlação entre a biomassa florestal e a Hint original (r = 0,7518) e entre a biomassa florestal e a Hint ajustada (r = 0,7564).

Referências

Araújo, T.M.; Higuchi, N. & Junior, J.A.C. 1999. Comparison of formula for biomass content determination in a tropical rain forest in the state of Pará, Brazil. Forest Ecology and Management, 117: 43-52.

Burrough, P.A. 1986. Principles of Geographical Information Systems for land resource assessment. London, Oxford University Press, 193p.

Felgueiras, C.A. 2004. Modelagem Numérica de Terreno. In: CÂMARA, G.; DAVIS, C. & MONTEIRO, A.M.V. (ed.). Introdução à Ciência da Geoinformação. Instituto de Pesquisas Espaciais (INPE). Disponível em: <http://www.dpi.inpe.br/gilberto/livro/introd/cap7-mnt.pdf>. Acesso em: 4 dez 2019.

Carpentier, J. & Abadie, J. 1966. Généralisation de la Méthode du Gradient Réduit de Wolfe au cas des Contraintes Non Lineaires. In: IV INTERNATIONAL CONFERENCE ON OPERATIONAL RESEARCH. Nova York, 1966.

Castro-Filho, C.A.P.; Freitas, C.C.; Sant'anna, S.J.S.; Lima, A.J.N. & Higuchi, N. 2013. Relating Amazon Forest Biomass to PolInSAR Extracted Features. In: INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS), Melbourne, 2013. Resumos expandidos, Melbourne, p. 2111-2114.

Debastiani, A.B.; Moura, M.M.; Rex, F.D.; Sanquetta, C.R.; Corte, A.P.D. & Pinto N. 2019. Regressões Robusta e Linear para Estimativa de Biomassa via Imagem Sentinel em uma Floresta Tropical. BIOFIX Scientific Journal, 4: 81-87.

DSG. 2016. Diretoria de Serviço Geográfico. Especificação Técnica para Produtos de Conjunto de Dados Geoespaciais (ET-PCDG). Disponível em: <http://www.geoportal.eb.mil.br/portal/inde2>. Acesso em: 4 dez. 2019.

DSG. 2019. Diretoria de Serviço Geográfico. Radiografia da Amazônia. Disponível em: <http://www.geoportal.eb.mil.br/portal/index.php/projetos/147-projeto-cartografia-da-amazonia>. Acesso em: 4 dez. 2019.

Gama, F.F. 2007. Estudo da interferometria e polarimetria SAR em povoamentos florestais de eucalyptus SP. Programa de Pós-graduação em Sensoriamento Remoto. Instituto Nacional de Pesquisas Espaciais, Tese de Doutorado, 243 p.

Google Earth. 2019. Disponível em: <http://www.google.com.br/intl/pt-BR/earth/>. Acesso em: 22 fev. 2019.

IBGE. 2019. Instituto Brasileiro de Geografia e Estatística. Manuais Técnicos em Geociências, N° 14 – Acesso e Uso de Dados Geoespaciais. Disponível em: <https://biblioteca.ibge.gov.br/index.php/biblioteca-catalogo?view=detalhes&id=2101675>. Acesso em: 4 dez. 2019.

JAXA. 2019. Japanese Space Agency. ALOS Global Digital Surface Model "ALOS World 3D - 30m (AW3D30)". Disponível em: < https://www.eorc.jaxa.jp/ALOS/en/aw3d30/index.htm>. Acesso em 26 de dez. 2019.

Martínez, J.M. & Santos, S.A. 1995. Métodos computacionais de otimização. Campinas, Departamento de Matemática Aplicada IMECC-UNICAMP, 262p.

Mouratidis A. 2014. Geographical Information Systems. In: ESA SAR COURSE, Malta, 2014. Disponível em: <https://earth.esa.int/documents/10174/1743079/02_Antonios_Mouratidis_GIS_overview.pdf>. Acessado em: 26 dez. 2019.

Neeff, T.; Dutra, L.V.; Santos, J.R.; Freitas, C.C. & Araújo, L.S. 2005. Tropical forest biomass measurement by interferometric height modeling and P-band radar backscatter. Forest Science, 51(6): 585–594.

Neter, J.; Kutner, M.H.; Nachtsheim, C.J. & Wasserman, W. 1996. Applied Linear Statistical Models. Boston, McGraw-Hill, 1408 p.

Oliveira, M.V.N.D & Locks C.J. 2019. Potencial de uso de SAR aerotransportado para modelagem do terreno e da biomassa acima do solo em região de floresta tropical. In: XIX SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, Santos, 2019. Resumo expandido, Santos, INPE, p. 1855-1858. Disponível em: <https://www.embrapa.br/busca-de-publicacoes/-/publicacao/1113331/potencial-de-uso-de-sar-aerotransportado-para-modelagem-do-terreno-e-da-biomassa-acima-do-solo-em-regiao-de-floresta-tropical>. Acesso em: 26 dez. 2019.

Pope, K.O.; Benayas-Rey, J.M. & Paris, J.F. 1994. Radar remote sensing of forest and wetland ecosystems in the Central American tropics. Remote Sensing of Environment, 48(2): 205-219.

Projeto RadamBrasil. 1977. Folha SA.19 Içá/Amazonas: geologia, geomorfologia, pedologia, vegetação e uso potencial da terra. Rio de Janeiro, Departamento Nacional da Produção Mineral, 452 p.

Reeves, C. 2010. Genetic Algorithms. In: Reeves, C. (ed.). Handbook of Metaheuristics. Coventry University, p. 55-82. Disponível em: <https://www.researchgate.net/publication/226462334_Genetic_Algorithms>. Acesso em: 06 dez. 2019.

Saatchi, S.; Halligan, K.; Despain, D.G. & Crabtree, R.L. 2007. Estimation of forest fuel load from radar remote sensing. IEEE Transactions on Geoscience and Remote Sensing, 45(6): 1726 – 1740.

Santos, J.R.; Freitas, C.C.; Araújo, L.S.; Dutra, L.V.; Mura, J.C.; Gama, F.F.; Soler, L.S. & Sant’Anna, S.J.S. 2003. Airborne P-band SAR applied to the aboveground biomass studies in the Brazilian tropical rainforest. Remote Sensing of Environment, ELSEVIER, 87: 482-493.

Santoro M. & Cartus O. 2018. Research Pathways of Forest Above-Ground Biomass Estimation Based on SAR Backscatter and Interferometric SAR Observations. Remote Sensing, 10(4): 1-23. Disponível em: <https://www.mdpi.com/2072-4292/10/4/608>. Acesso em: 06 dez. 2019.

Schlund, M.; Erasmi, S. & Scipal, K. 2019. Comparison of Aboveground Biomass Estimation From InSAR and LiDAR Canopy Height Models in Tropical Forests. IEEE Geoscience and Remote Sensing Letters, 17(3): 367-371.

Singh, A. & Singh, K.K. 2017. Satellite image classification using Genetic Algorithm trained radial basis function neural network, application to the detection of flooded areas. Journal of Visual Communication and Image Representation, 42: 173–182.

Zhang, H.; Huang M.; Qing X.; Li G. & Tian C. 2017. Bibliometric Analysis of Global Remote Sensing Research during 2010–2015. International Journal of Geo-information, 16(3): 87-102.

Downloads

Publicado

2020-09-30

Edição

Seção

Artigos