Loading...
Publication
Assessment of carbon sequestration in forest areas using deep learning
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 79.61 MB | Adobe PDF |
Authors
Abstract(s)
Growing awareness of environmental impacts is making it more important than ever to explore regions with dense vegetation. Remote monitoring is a viable solution for
the surveillance of large areas, such as forests. Based in intelligent systems, this work aims to develop a methodology for assessing carbon sequestration in forest areas. Deep
learning (DL) structures were used to predict the heights and stand densities in tree colonies. Light Detection and Ranging (LiDAR) sensor scans obtained by Unmanned
Aerial Vehicle (UAV) overflight were processed to extract elevation values and images. Point clouds were processed using QGIS software. The LAStools extension was employed
to manipulate Digital Elevation Model (DEM) and rasters, obtaining relevant information. This data was then used to create a dataset for implementation in Convolutional Neural
Network (CNN) models. Specific biometric relationships were implemented to estimate additional data such as Above Ground Biomass (AGB) and phytovolume. After evaluating
different architectures, the VGG19 CNN model was highlighted as the most promising. An area of 46.6 hectares was covered, with an estimated total value of 4225.81 tons of
carbon. This value provided an accuracy of 91%, based on forest inventories carried out in the same region. The study was conducted in the northern region of mainland Portugal,
encompassing two distinct Pinus pinaster Ait. forests.
As preocupações ambientais tornam cada vez mais pertinente a análise de regiões com vegetação densa. A monitorização remota apresenta-se como uma solução viável para a fiscalização de áreas extensas, como as florestas. Este trabalho visa desenvolver uma metodologia inteligente para análise do sequestro de carbono em áreas florestais. Foram utilizadas estruturas de Deep Learning (DL) para previsão das alturas e densidade de cobertura em colónias de árvores. Dados do sensor LiDAR, obtidos por sobrevôo de UAV, foram processados para extração de valores de elevação e imagens. Nuvens de pontos foram processadas no software QGIS que, com o auxílio da extensão LAStools, os dados relevantes foram obtidos por manipulação de DEMs e rasters. Estes dados foram utilizados para se estabelecer um dataset para implementação em modelos de CNN. As relações biométricas específicas foram implementadas para se estimar dados adicionais, como a biomassa acima do solo e o fitovolume. Após a análise de diferentes arquiteturas, o modelo de CNN VGG19 obteve melhor performance. Uma área de 46.6 hectares foi analisada, estimando um valor total de 4225.81 toneladas de carbono. Este valor conferiu uma precisão de 91%, baseado em inventários florestais levantados na mesma região. O estudo foi conduzido na região norte de Portugal continental, abrangendo duas diferentes florestas de Pinus pinaster Ait.
As preocupações ambientais tornam cada vez mais pertinente a análise de regiões com vegetação densa. A monitorização remota apresenta-se como uma solução viável para a fiscalização de áreas extensas, como as florestas. Este trabalho visa desenvolver uma metodologia inteligente para análise do sequestro de carbono em áreas florestais. Foram utilizadas estruturas de Deep Learning (DL) para previsão das alturas e densidade de cobertura em colónias de árvores. Dados do sensor LiDAR, obtidos por sobrevôo de UAV, foram processados para extração de valores de elevação e imagens. Nuvens de pontos foram processadas no software QGIS que, com o auxílio da extensão LAStools, os dados relevantes foram obtidos por manipulação de DEMs e rasters. Estes dados foram utilizados para se estabelecer um dataset para implementação em modelos de CNN. As relações biométricas específicas foram implementadas para se estimar dados adicionais, como a biomassa acima do solo e o fitovolume. Após a análise de diferentes arquiteturas, o modelo de CNN VGG19 obteve melhor performance. Uma área de 46.6 hectares foi analisada, estimando um valor total de 4225.81 toneladas de carbono. Este valor conferiu uma precisão de 91%, baseado em inventários florestais levantados na mesma região. O estudo foi conduzido na região norte de Portugal continental, abrangendo duas diferentes florestas de Pinus pinaster Ait.
Description
Mestrado de dupla diplomação com o Centro Federal de Educação Tecnológica de Minas Gerais – CEFET-MG
Keywords
Carbon sequestration Forest areas Convolutional neural network RGB images QGIS software