Classificação de espécies de árvores usando LiDAR aéreo – efeitos de parâmetros de lote e árvore, redução do conjunto de treinamento, normalização de intensidade e tipo de sensor

A identificação de espécies de árvores constitui um gargalo na inventário florestal baseado em sensoriamento remoto. Em imagens passivas, as características diferenciadoras se sobrepõem e a refletância bidirecional dificulta a análise. O LiDAR aéreo fornece informações radiométricas e geométricas. Examinamos a resposta em nível de árvores individuais de dois sensores LiDAR em mais de 13.000 árvores florestais no sul da Finlândia. Focamos nas espécies comercialmente importantes. Nossos objetivos foram: 1) explorar as características relevantes do LiDAR e estudar suas dependências em variáveis de lote e árvore, 2) examinar dois sensores e sua fusão, 3) quantificar o ganho das normalizações de intensidade, 4) examinar a importância do tamanho do conjunto de treinamento, e 5) determinar os efeitos da idade do lote e da fertilidade do local. Um conjunto de 570 árvores decíduas semiurbanas e coníferas exóticas foi analisado para 6) examinar o sinal do LiDAR nas espécies menos importantes economicamente. Uma precisão de 88 a 90% foi alcançada na classificação de pinheiro escocês, abeto norueguês e bétula, usando variáveis de intensidade. O abeto e a bétula mostraram os níveis mais altos de confusão. A redução do conjunto de treinamento de 30% para 2,5% de todas as árvores teve apenas um efeito marginal no desempenho dos classificadores. As características de intensidade eram dependentes dos tamanhos absolutos e relativos das árvores, especialmente para a bétula. Os resultados sugerem que o tamanho das folhas, a orientação e a densidade da folhagem afetam a intensidade, que, portanto, não é afetada apenas pela refletância. Algumas das espécies ecologicamente importantes na Finlândia podem ser separáveis, uma vez que geraram altos valores de intensidade. A comparação dos sensores implica que o desempenho dos dados de intensidade para classificação de espécies varia entre os sensores por razões que permanecem incertas. Tanto a normalização do alcance quanto a do ganho melhoraram a classificação de espécies. A ponderação dos valores de intensidade melhorou a fusão de dois conjuntos de dados LiDAR.