<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Quantificação de carbono por satélite

Página do item simplificado
dc.contributor.advisorMenasché, Daniel Sadoc
dc.contributor.referee1Farias, Claudio Miceli de
dc.contributor.referee2Mello, Rafael Maiani de
dc.creatorChamon, Alexandre Alkmim
dc.date.accessioned2026-05-20T17:47:05Z
dc.date.available2026-05-22T03:00:12Z
dc.date.issued2025-12-18
dc.description.resumoEste trabalho de conclusão de curso investiga o potencial e as limitações do sensoriamento remoto por satélites e da inteligência artificial para a estimativa da biomassa florestal acima do solo (AGBD) em cenários de monitoramento de carbono em larga escala. A partir de um estudo de referência recente, analisamos uma abordagem de fusão de sensores que combina dados ópticos do Sentinel-2, dados de radar em banda C do Sentinel-1 e medições LiDAR da missão GEDI, utilizadas como referência para calibração. A metodologia é reproduzida e discutida sob a ótica do aprendizado de máquina, comparando-se Regressão Linear, métodos de ensemble baseados em árvores (Random Forest e XGBoost) e uma rede neural convolucional do tipo U-Net. O foco central do trabalho é a comparação entre modelos “específicos por bioma”, treinados separadamente para regiões de baixa, média e alta biomassa, e um modelo “geral” único, treinado com todos os dados combinados. Os resultados confirmam que os modelos específicos tendem a apresentar erros ligeiramente menores; contudo, os ganhos são sistematicamente marginais, frequentemente inferiores a 1 Mg/ha em termos de RMSE, o que suscita dúvidas sobre o custo-benefício dessa estratégia em aplicações de escala nacional. O trabalho discute ainda o impacto da saturação dos sensores em florestas densas e explica por que o Random Forest superou a U-Net neste cenário, dada a natureza esparsa e pontual dos rótulos do GEDI. Por fim, são discutidas implicações para o mapeamento de carbono no Brasil, destacando o compromisso entre acurácia e complexidade operacional e apontando direções futuras envolvendo radar em banda L, arquiteturas de deep learning mais adequadas e validação direta nos biomas brasileiros para subsidiar políticas climáticas e mercados de carbono.pt_BR
dc.embargo.termsabertopt_BR
dc.identifier.urihttp://hdl.handle.net/11422/29205
dc.languageporpt_BR
dc.publisherUniversidade Federal do Rio de Janeiropt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Computaçãopt_BR
dc.publisher.initialsUFRJpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectBiomassa florestalpt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectSensoriamento remotopt_BR
dc.subjectComparação de modelospt_BR
dc.subjectMercado de carbonopt_BR
dc.subjectForest biomasspt_BR
dc.subjectArtificial intelligencept_BR
dc.subjectRemote sensingpt_BR
dc.subjectModel comparisonpt_BR
dc.subjectCarbon marketpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleQuantificação de carbono por satélitept_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
AAChamon.pdf
Tamanho:
502,44 KB
Formato:
Adobe Portable Document Format
Baixar

Pacote de licença

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1,81 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Ciência da Computação