A carregar...
Publicação
Fusion of Earth Observation Satellites Data to Improve Forest Height and Aboveground Biomass Estimation
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 7.27 MB | Adobe PDF |
Orientador(es)
Resumo(s)
The undeniable importance of forests in the sustainability of the planet Earth and its impact
on the climate change, increases the interest in monitoring these ecosystems. Within the pa-
rameters that support the management of forests there is the Forest Height (FH), which not
only provides information by itself, but also can be used as a proxy of other parameters, as the
biomass. Remote Sensing observations jointly with machine learning regressors have been
commonly used to produce regional and global maps, being calibrated (i.e. fitted) with Light
Detection and Ranging (LiDAR) data.
In this dissertation a Regression Methodology (RM) was proposed for mapping the FH
regionally, with the objective of decreasing the amount of calibration data needed for achiev-
ing reliable FH maps. The proposed RM resorts to ALOS-2, Sentinel-1/2 and ancillary data,
with robust data preprocessing, feature generation, and features processing processes. The
machine learning regressor used in the scope of this dissertation was the extreme gradient
boosting which had its results compared to a random forest and a stacking regressor. Then,
the same RM, with the addition of the produced FH maps, was used for mapping the above-
ground biomass (AGB).
This dissertation aims to prove that it is possible to reduce the data needed to calibrate
regressors that map the FH and AGB, to demonstrate the advantages of combining different
remote sensing datasets, and to show the impacts of including the FH maps in the AGB esti-
mation. The main challenge was the development of robust RM processes capable of decreas-
ing the amount of calibration data needed to achieve reliable FH maps. This not only decreases
the extent of the field or airborne laser scanning campaigns needed, but also it is optimised to
be calibrated with spaceborne LiDAR data (namely, from GEDI), which is sparse and limited.
The accomplishment of these objectives will allow the frequent production of FH and AGB
maps, that are a useful resource for forest management, for wildfire protection, and for the
mapping of other important variables.
A inegável importância das florestas na sustentabilidade do planeta Terra e o seu impacto nas alterações climatícas, aumenta o interesse na monitorização destes ecosistemas. De entre os parâmetros que dão suporte à gestão das florestas tem-se a Altura da Floresta (AF), cuja informção não se esgota em si mesmo, mas também pode ser utilizada como indicador de outros parâmetros, tais como a biomass. Observações de detecção remota têm sido utilizadas juntamente com regressores de aprendizagem automática para a produção de mapas regionais e globais, sendo estes regressores calibrados (i.e., treinados) com dados laser. Nesta dissertação uma Metodologia de Regressão (MR) foi proposta para o mapeamento da AF regionalmente, com o objectivo de diminuir a quantidade de dados de calibração necessários para se obterem maps de AF confiáveis. A MR proposta recorre a dados do ALOS-2, Sentinel-1/2 e dados auxiliares, tendo processos robustos de pré-processamento, geração de atributos e processamento de atributos. O regressor de aprendizagem automática utilizado no âmbito desta dissertação foi o gradient boosting, tendo sido os seus reusltados comparados com uma random forest e um stacking regressor. Depois, a mesma MR, adicionando os mapas de AF produzidos, foi utilizada para o mapeamento da Biomassa Acima do Solo (BAS). Esta dissertação teve como objectivo provar a possibilidade de diminuir os dados necessários para a calibração de regressores para mapear a AF e BAS, de demonstrar as vantagens de combinar diferentes dados de detecção remota e de mostrar os impactos positivos de inlcuir os mapas da AF na estimação da BAS. O maior desafio consistiu no desenvolvimento de um MR robusta, capaz de diminuir a quantidade de dados necessários para a diminuição dos dados de calibração necessários para se obterem mapas de AF confiáveis. Isto não diminui apenas as áreas cobertas pelas camapanhas no terreno e campanhas laser aéreas precisas, mas também foi optimizada para ser calibrada com dados laser obtidos a partir do Espaço (nomeadamente, vindos do GEDI), que são dispersos e limitados. O cumprimento destes objectivos permite a produção frequente de mapas da AF e BAS, que são úteis para a gestão das florestas, proteção contra incêndios, e para o mapeamento de outras variáveis.
A inegável importância das florestas na sustentabilidade do planeta Terra e o seu impacto nas alterações climatícas, aumenta o interesse na monitorização destes ecosistemas. De entre os parâmetros que dão suporte à gestão das florestas tem-se a Altura da Floresta (AF), cuja informção não se esgota em si mesmo, mas também pode ser utilizada como indicador de outros parâmetros, tais como a biomass. Observações de detecção remota têm sido utilizadas juntamente com regressores de aprendizagem automática para a produção de mapas regionais e globais, sendo estes regressores calibrados (i.e., treinados) com dados laser. Nesta dissertação uma Metodologia de Regressão (MR) foi proposta para o mapeamento da AF regionalmente, com o objectivo de diminuir a quantidade de dados de calibração necessários para se obterem maps de AF confiáveis. A MR proposta recorre a dados do ALOS-2, Sentinel-1/2 e dados auxiliares, tendo processos robustos de pré-processamento, geração de atributos e processamento de atributos. O regressor de aprendizagem automática utilizado no âmbito desta dissertação foi o gradient boosting, tendo sido os seus reusltados comparados com uma random forest e um stacking regressor. Depois, a mesma MR, adicionando os mapas de AF produzidos, foi utilizada para o mapeamento da Biomassa Acima do Solo (BAS). Esta dissertação teve como objectivo provar a possibilidade de diminuir os dados necessários para a calibração de regressores para mapear a AF e BAS, de demonstrar as vantagens de combinar diferentes dados de detecção remota e de mostrar os impactos positivos de inlcuir os mapas da AF na estimação da BAS. O maior desafio consistiu no desenvolvimento de um MR robusta, capaz de diminuir a quantidade de dados necessários para a diminuição dos dados de calibração necessários para se obterem mapas de AF confiáveis. Isto não diminui apenas as áreas cobertas pelas camapanhas no terreno e campanhas laser aéreas precisas, mas também foi optimizada para ser calibrada com dados laser obtidos a partir do Espaço (nomeadamente, vindos do GEDI), que são dispersos e limitados. O cumprimento destes objectivos permite a produção frequente de mapas da AF e BAS, que são úteis para a gestão das florestas, proteção contra incêndios, e para o mapeamento de outras variáveis.
Descrição
Palavras-chave
Aboveground Biomass ALOS-2 ALS Extreme Gradient Boosting Forest Height LiDAR