LCF5321 - Geotecnologias e Inteligência Artificial Aplicadas aos Recursos Florestais

Carga Horária

Docentes responsáveis
Matheus Pinheiro Ferreira
Paulo Guilherme Molin

Objetivo
Capacitar o aluno de pós-graduação em recursos florestais no uso de tecnologias geoespaciais e algoritmos de inteligência artificial. Por meio de uma abordagem prática e teórica, os estudantes aprenderão como coletar, processar, modelar e analisar dados obtidos por receptores GNSS, sensores a bordo de veículos aéreos não tripulados (VANTs) e satélites ambientais, com integrações em ambientes de Sistemas de Informações Geográficos (SIG) e afins. A integração entre geotecnologias e inteligência artificial visa proporcionar novas perspectivas e soluções inovadoras para a gestão sustentável e o monitoramento dos recursos florestais.

Conteúdo
Introdução às Geotecnologias: Panorama das geotecnologias e suas aplicações, e Importância das geotecnologias na era digital dos Recursos Florestais. Modelos de Representação da Terra. Sistemas de Informações Geográficas (SIG). GNSS (Global Navigation Satellite System). Aeronaves remotamente pilotadas (drones). Aerofotogrametria e sensoriamento remoto ativo e passivo. Modelagem da Paisagem. Inteligência Artificial em Geotecnologias. Métodos estatísticos de aprendizado de máquina. Métodos deep learning e aplicações florestais. Implementação de algoritmos em linguagem Python. Prática com drones, GNSS, equipamentos topográficos, SIG, sensoriamento remoto e implementação de métodos de inteligência artificial.

Bibliografia
MONICO, João Francisco Galera. Posicionamento pelo GNSS: descrição, fundamentos e aplicações. Editora Unesp, 2007. NOVO, E. M. L. M. Sensoriamento Remoto: princípios e aplicações. 3ª ed. São Paulo: Edgard Blucher. 2008 ZANOTTA, D. C.; FERREIRA, M. P.; ZORTEA, M. Processamento de imagens de satélite. 1ª ed. São Paulo: Oficina de Textos. 2019.
MIRANDA, J. I. Fundamentos de Sistemas de Informações Geográficas. 2ª ed. Embrapa Informação Tecnológica, 2010. RICHARDS, J. A.. Remote sensing digital image analysis. Berlin/Heidelberg, Germany: springer, 2022. MOLIN, P.G. et al. A landscape approach for cost-effective large-scale forest restoration. JOURNAL OF APPLIED ECOLOGY, v. 1, p. 1, 2018. SINEGALIA, M.K.S.D. et al. How have RPAS helped monitor forests and what can we apply in forest restoration monitoring?. RESTORATION ECOLOGY, v. 1, p. 1, 2023.
FACELI, K., LORENA, A.C., GAMA, J., CARVALHO, A.C.P.L.F. Inteligência Artificial: uma Abordagem de Aprendizado de Máquina. LTC, 2011.
MATHER, P.M. Computer Processing of Remotely-Sensed Images: An introduction 3rd edition. Chichester, England: John Wiley&Sons, 2004.
KATTENBORN, Teja et al. Review on Convolutional Neural Networks (CNN) in vegetation remote sensing. ISPRS journal of photogrammetry and remote sensing, v. 173, p. 24-49, 2021.
YUAN, Qiangqiang et al. Deep learning in environmental remote sensing: Achievements and challenges. Remote Sensing of Environment, v. 241, p. 111716, 2020.
OSCO, Lucas Prado et al. A review on deep learning in UAV remote sensing. International Journal of Applied Earth Observation and Geoinformation, v. 102, p. 102456, 2021.
FERREIRA, Matheus Pinheiro et al. Individual tree detection and species classification of Amazonian palms using UAV images and deep learning. Forest Ecology and Management, v. 475, p. 118397, 2020.
FERREIRA, Matheus Pinheiro et al. Improving urban tree species classification by deep-learning based fusion of digital aerial images and LiDAR. Urban Forestry & Urban Greening, p. 128240, 2024.