Los ecosistemas forestales, como el bosque atlántico en América del sur, han sido removidos para dar lugar a actividades agropecuarias y asentamiento humanos. Tal situación estaría ocasionando cambios en la absorción de la energía solar en la superficie terrestre, lo que modifica el consumo de radiación neta, que, a su vez, puede influir en la temperatura del aire. Por consiguiente, esta investigación tuvo como objetivo evaluar las alteraciones de la radiación neta en la cuenca hidrográfica de Sorocaba, para analizar cómo el cambio de bosque atlántico por áreas agropecuarias y construcciones antrópicas impacta en la radiación neta y la repercusión que podría estar ocasionando en la regulación del clima local. Para esto fue determinado el balance de radiación en la cuenca y sus componentes biofísicos (NDVI, temperatura superficial, albedo y radiación emitida), por medio del modelo SEBAL, utilizando imágenes OLI/TIRS–Landsat 8 y ASTER(GDEM). Los resultados revelaron que las zonas construidas, seguidas por las agropecuarias, en comparación con la de bosque atlántico, presentan valores de albedo y temperatura superficial superiores, y, consecuentemente, mayores flujos de calor emitido a la atmósfera en forma de radiación infrarroja. Por consiguiente, se generó menores consumo de radiación neta, cuya media para las áreas boscosas, agrícolas, con pastos, suelos desnudos y construidas fue de 712,40Wm-2, 669,40Wm-2, 629,90Wm-2, 616,60Wm-2 y 524,40Wm-2, respectivamente. Así, la deforestación en la cuenca ocasionó que disminuyera la radiación neta y se emita más calor a la atmósfera, lo que favorece el efecto invernadero (principal causante del calentamiento global), en detrimento de poder regular la temperatura del aire.
La agricultura sustentable de plantaciones forestales exige la estimación permanente de la cantidad o volumen de madera que se está produciendo en un momento dado, lo que es difícil en extensas áreas de bosque, si solo se utilizan procedimientos manuales en campo. En la presente investigación se modelaron redes neuronales artificiales (ANNs, su sigla en inglés) de perceptrón multicapa para la estimación espacial de volúmenes de madera en una plantación de Eucalyptus sp. localizada en el estado de Mato Grosso del Sur, región Centro-oeste de Brasil. Para el efecto se emplearon como variables de predicción bandas espectrales, texturas de las bandas obtenidos con matriz de coocurrencia de niveles de grises e índice de vegetación, que fueron derivados de imagen digital de satélite Spot 6. La ANN resultante con mejor desempeño presentó una precisión de 93.32% y un coeficiente de determinación de 0.9761, con respecto a valores obtenidos con medidas de campo; no obstante, presentó un error cuadrático medio relativo de 16.32% (RMSE de 7.85 m3/ha), pero la distribución de los residuos no fue tendenciosa, por tanto, el modelo fue promisorio para mapear los volúmenes de madera en extensas áreas sin sobreestimar o subestimar la predicción. La red construida mostró mayor precisión y exactitud cuándo se comparó con otros métodos que usaron variables similares de estimación, inclusive en comparación con modelos neuronales que utilizaron solo bandas espectrales e índices de vegetación.
Las cuencas hidrográficas están sufriendo modificaciones en la cobertura natural que afectan sus propiedades físicas superficiales, como la emisividad de radiación. Para analizar este fenómeno, se interpretó con imágenes de satélite la ocupación del suelo con construcciones urbanas en la cuenca del río Una, São Paulo. Luego se estimó la influencia de la zonas identificadas en el comportamiento de la radiación emitida por las superficies urbanas identificadas. Para ello, se aplicó la ley de Stefan-Boltzman geoprocesando imágenes Landsat 8. Se identificó el impacto antrópico de las edificaciones al comprobar el aumento de la emisión de radiaciones en la cuenca, en contraste con la de las áreas naturales preservadas. Como consecuencia, se observaron condiciones que podrían intervenir en el efecto invernadero que regula la temperatura de la biosfera.
Forest inventory is an important tool for estimating the production of forest stands and normally employs traditional methods for volume estimation. However, as a result of technological advancements, artificial neural networks and remote sensing have assumed a prominent role in the forestry sector since satellite images have different components that correlate with the dendrometric variables and can be used as auxiliary variables. The objective of this work was to evaluate the performance of artificial neural networks regarding the estimation of volume in a Eucalyptus sp. plantation with the use of satellite images. Pre-cut inventory data were used with ages varying between 5.3 and 6.3 years. The variables used were volume, age, 4 bands of the satellite image with a 10 m spatial resolution from Sentinell-2 satellite, ratio between the bands, NDVI, and genetic material. All processing was performed using the free software R. The evaluation criteria for the neural network were percentage of residual standard error and graphical analysis of the residues. The best neural network configuration for volume estimation presented a residual standard error of 10.63% and 12.00% for training and validation, respectively. The methodology proposed in this work proved to be efficient in estimating the volume of the stand.
Sustainable agriculture of forest plantations requires the permanent estimation of the amount or volume of wood being produced at any given time, which is difficult in large forest areas if only manual procedures are used in the field. In the present research, multilayer perceptron artificial neural networks (ANNs) were modeled for the spatial estimation of wood volumes in a Eucalyptus sp. plantation located in the state of Mato Grosso do Sul, Central-West region of Brazil. For this purpose, spectral bands, band textures obtained with gray level cooccurrence matrix and vegetation index, which were derived from SPOT 6 digital satellite image, were used as prediction variables. The resulting ANN with the best performance presented an accuracy of 93.32% and a coefficient of determination of 0.9761, with respect to values obtained with field measurements; however, it presented a relative mean square error of 16.32% (RMSE of 7.85 m3/hm2), but the distribution of residuals was not biased, therefore, the model was promising for mapping timber volumes in large areas without overestimating or underestimating the prediction. The constructed network showed greater precision and accuracy when compared to other methods using similar estimation variables, including when compared to neural models using only spectral bands and vegetation indices.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.