A carregar...
Publicação
Artificial intelligence for environmental monitoring: a case study on biomass estimation
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.11 MB | Adobe PDF |
Orientador(es)
Resumo(s)
Humanity is deeply dependent on environmental systems for essential resources. However, growing population pressures and the recognition of resource limitations have highlighted the urgent need for more efficient and sustainable management practices. Among terrestrial biomes, grasslands play a critical role, occupying approximately 40% of Earth's land surface and serving as resilient carbon sinks. In Portugal and Spain, biodiverse permanent pastures rich in legumes (SBP) represent an important but underutilized strategy for promoting soil health and carbon sequestration.Traditional methods for evaluating grassland characteristics are often destructive, labor-intensive, and unsuitable for large-scale monitoring. To address these limitations, this study explores remote sensing techniques combined with artificial intelligence to estimate aboveground biomass (AGB) in SBP systems. Drone imagery, topographical data, and biomass laboratory measurements were supplied by Terraprima, while meteorological data and supplementary topographical information were retrieved from the Copernicus Climate Change Service. After matching orthorectified drone images to biomass collection samples, spectral, meteorological, and topographical variables were constructed as inputs for machine learning models, including Random Forests and Neural Networks, to predict standing biomass values. Results show that non-linear models exhibited the most promising performance, with the top models achieving a consistent coefficient of determination (R²) above 0.85 across two cross-validation methods. These findings highlight the potential of drone-based remote sensing combined with machine learning to support sustainable pasture management and environmental monitoring and evaluation efforts.
A humanidade depende profundamente dos sistemas ambientais para a obtenção de recursos essenciais. Contudo, o crescimento populacional e o reconhecimento da limitação dos recursos disponíveis evidenciaram a necessidade urgente de práticas de gestão mais eficientes e sustentáveis. Entre os biomas terrestres, as pastagens desempenham um papel crucial, ocupando aproximadamente 40% da superfície terrestre e funcionando como importantes depósitos de carbono. Em Portugal e Espanha, as pastagens permanentes biodiversas ricas em leguminosas (SBP) representam uma estratégia inovadora e relevante, mas ainda subutilizada, para a promoção da saúde do solo e o sequestro de carbono. Os métodos tradicionais de avaliação das características das pastagens são frequentemente destrutivos, exigentes em mão de obra e inadequados para uma monitorização em larga escala. Para colmatar estas limitações, este estudo explora a utilização de técnicas de deteção remota combinadas com inteligência artificial para estimar a biomassa sobre o solo (AGB) em sistemas SBP. As imagens de drone, os dados topográficos e as medições laboratoriais de biomassa foram fornecidos pela Terraprima, enquanto os dados meteorológicos e as informações topográficas suplementares foram obtidos através do serviço Copernicus Climate Change Service. Após a seleção das imagens ortorrectificadas dos drones às amostras de biomassa recolhidas no terreno, foram construídas variáveis espectrais, meteorológicas e topográficas como inputs para modelos de aprendizagem automática, incluindo Random Forests e Redes Neuronais, para prever os valores de biomassa sobre o solo. Os resultados demonstram que os modelos não-lineares apresentaram o desempenho mais promissor, com os melhor modelos a alcançarem um coeficiente de determinação (R²) superior a 0,85 nos dois métodos de validação empregues. Estes resultados evidenciam o potencial da deteção remota por drone em conjunção com modelos de aprendizagem automática para apoiar a gestão sustentável das pastagens e os esforços de monitorização e avaliação ambiental.
A humanidade depende profundamente dos sistemas ambientais para a obtenção de recursos essenciais. Contudo, o crescimento populacional e o reconhecimento da limitação dos recursos disponíveis evidenciaram a necessidade urgente de práticas de gestão mais eficientes e sustentáveis. Entre os biomas terrestres, as pastagens desempenham um papel crucial, ocupando aproximadamente 40% da superfície terrestre e funcionando como importantes depósitos de carbono. Em Portugal e Espanha, as pastagens permanentes biodiversas ricas em leguminosas (SBP) representam uma estratégia inovadora e relevante, mas ainda subutilizada, para a promoção da saúde do solo e o sequestro de carbono. Os métodos tradicionais de avaliação das características das pastagens são frequentemente destrutivos, exigentes em mão de obra e inadequados para uma monitorização em larga escala. Para colmatar estas limitações, este estudo explora a utilização de técnicas de deteção remota combinadas com inteligência artificial para estimar a biomassa sobre o solo (AGB) em sistemas SBP. As imagens de drone, os dados topográficos e as medições laboratoriais de biomassa foram fornecidos pela Terraprima, enquanto os dados meteorológicos e as informações topográficas suplementares foram obtidos através do serviço Copernicus Climate Change Service. Após a seleção das imagens ortorrectificadas dos drones às amostras de biomassa recolhidas no terreno, foram construídas variáveis espectrais, meteorológicas e topográficas como inputs para modelos de aprendizagem automática, incluindo Random Forests e Redes Neuronais, para prever os valores de biomassa sobre o solo. Os resultados demonstram que os modelos não-lineares apresentaram o desempenho mais promissor, com os melhor modelos a alcançarem um coeficiente de determinação (R²) superior a 0,85 nos dois métodos de validação empregues. Estes resultados evidenciam o potencial da deteção remota por drone em conjunção com modelos de aprendizagem automática para apoiar a gestão sustentável das pastagens e os esforços de monitorização e avaliação ambiental.
Descrição
Palavras-chave
Machine learning Remote sensing Unmanned aerial systems Agriculture 4.0 Aprendizagem automática Deteção remota Sistemas aéreos não tripulados Agricultura 4.0