Dissertação/Tese Modelagem da Produção Florestal com Dados LiDAR Multitemporais - PPGCF

A utilização de dados de sensoriamento remoto ativo tem se consolidado como alternativa estratégica para a mensuração florestal em larga escala, especialmente em povoamentos de rápido crescimento. No entanto, a aplicação operacional de métricas estruturais derivadas de levantamentos aerotransportados enfrenta limitações associadas ao desalinhamento temporal entre a aquisição dos dados LiDAR e a data-alvo das estimativas volumétricas, o que pode introduzir viés sistemático nas prognoses florestais. Diante desse desafio, o presente estudo teve como objetivo desenvolver e validar uma abordagem metodológica para a estimativa e prognose do Volume Total com Casca (Vtcc) em povoamentos de eucalipto, integrando métricas estruturais tridimensionais, variáveis de cadastro florestal e técnicas de aprendizado de máquina. Inicialmente, foi ajustado um modelo preditivo baseado no algoritmo Random Forest, calibrado segundo a Abordagem Baseada em Área, utilizando métricas derivadas da nuvem de pontos e informações silviculturais auxiliares. Em seguida, investigou-se o efeito da defasagem temporal sobre as relações entre estrutura do dossel e volume, evidenciando que a variação isolada da idade pode induzir incrementos volumétricos aparentes quando a estrutura do dossel permanece fixa no tempo. Para corrigir esse efeito, implementou-se uma abordagem de modelagem em dois estágios, na qual as métricas estruturais LiDAR são temporalmente projetadas por meio de modelos Random Forest ajustados a dados longitudinais, antes de sua utilização no modelo volumétrico contemporâneo. Nessa abordagem, o modelo volumétrico permanece contemporâneo, enquanto a atualização temporal ocorre explicitamente sobre as métricas estruturais derivadas do LiDAR. Os resultados demonstraram que, embora as estimativas volumétricas acumuladas apresentem magnitudes semelhantes entre as abordagens, a projeção explícita das métricas estruturais altera de forma substancial a dinâmica temporal dos incrementos, conferindo maior coerência biológica às estimativas. A metodologia proposta mostrou-se eficaz para reduzir o viés associado ao desalinhamento temporal e viabilizar a prognose volumétrica em contextos operacionais, contribuindo para o aprimoramento de sistemas de inventário florestal de precisão.

The use of active remote sensing data has become established as a strategic alternative for large-scale forest inventory, particularly in fast-growing forest plantations. However, the operational application of structural metrics derived from airborne surveys is still limited by the temporal mismatch between LiDAR data acquisition and the target date of volumetric estimates, which may introduce systematic bias into forest prognosis. In this context, the present study aimed to develop and validate a methodological approach for the estimation and prognosis of Total Volume with Bark (TVWB) in eucalyptus stands by integrating three-dimensional structural metrics, forest management variables, and machine learning techniques. Initially, a predictive model based on the Random Forest algorithm was calibrated under the Area-Based Approach (ABA), using metrics derived from the LiDAR point cloud together with auxiliary silvicultural information. Subsequently, the effect of temporal lag on the relationship between canopy structure and forest volume was investigated, demonstrating that isolated age variation may induce apparent volumetric increments when canopy structure remains temporally fixed. To address this effect, a two-stage modeling framework was implemented, in which LiDAR structural metrics are temporally projected using Random Forest models trained on longitudinal data before being applied to the contemporary volumetric model. In this framework, the volumetric model itself remains contemporary, while temporal updating occurs explicitly on the structural metrics derived from LiDAR data. Results showed that, although cumulative volumetric estimates presented similar magnitudes between approaches, the explicit projection of structural metrics substantially altered the temporal dynamics of forest increments, providing greater biological consistency to the estimates. The proposed methodology proved effective in reducing bias associated with temporal mismatch and enabled volumetric prognosis under operational conditions, contributing to the improvement of precision forest inventory systems.