Predição do volume de árvores integrando Lidar e Geoestatística

Abstract

Este estudo propõe integrar geoestatística, medições de circunferência em campo e escaneamento a laser para predição de volume de madeira. O método descrito nesse estudo considera a modelagem da variável circunferência das árvores por meio da geoestatística. Para este fim foram considerados dois cenários de ajustes: o primeiro considerou a krigagem ordinária e o segundo a cokrigagem ordinária, tendo como variável auxiliar, a altura das árvores, sendo estas oriundas dos sobrevoos LiDAR. De acordo com as estatísticas propostas, a cokrigagem ordinária foi significativamente superior à krigagem ordinária, em que o valor do Critério de Informação de Akaike (AIC) foi reduzido em 32,7 unidades, a raiz quadrada do erro médio (RMSE) em 40%, e 55% de superioridade para o coeficiente de determinação (r2), além da boa distribuição dos resíduos com médias próximas a zero. Após selecionado o modelo geoestatístico, foram geradas predições no gridde alturas gerado pelo processamento dos dados LiDAR. Após obtidos os pares de altura e circunferência, foi posteriormente aplicado o modelo de afilamento para gerar as predições dos volumes das árvores que compunham o talhão florestal. Os resultados permitiram concluir que o método proposto é tão preciso quanto aos levantamentos feitos por inventários florestais convencionais, com diferenças médias de 0,7% na estimativa do volume e 0,18% para número de árvores.

This study aims to integrate spatial pattern modeled from field circumference measurements and airborne laser scanner data during volume estimation. The tree circumference determination was based in two approaches. In the first, the spatial variation of circumference is constant in average, and in the second, the spatial dependency of circumference was modeled based on the spatial distribution of height. The geo-statistical model considering spatial distribution of height was statistically superior based on Akaike’s Information criterion, improving the performance in 32.7 units compared to the alternative modeling. Coefficient of determination also increased by 55%; no bias was detected, and the error was close to zero. The geo-statistical model estimated the circumference for trees extracted based on LiDAR data. Thus, the diameter and height was used as input to a logistic taper equation to estimate volume tree by tree. The results indicated that both methods showed similar results, differing by 0.7% as to volume and by 0.18% as to the number of trees.