@MASTERSTHESIS{ 2019:2088926717,
 	title = {LiDAR-derived methods for volume estimation and individual tree detection in Eucalyptus spp. plantations},
 	year = {2019},
 	url = "http://www.tede2.ufrpe.br:8080/tede2/handle/tede2/8217",
 	abstract = "Medições acuradas e espacialmente explícitas de atributos florestais são consideradas de suma importância para o manejo florestal sustentável e a proteção ambiental. Melhorias no manejo de plantios de eucalipto resultam em múltiplos benefícios industriais e ambientais. As técnicas de sensoriamento remoto podem aumentar a eficiência do gerenciamento de plantios, reduzindo ou substituindo a amostragem de campo que demanda um maior tempo e consequentemente maiores custos. Os sistemas LiDAR (Airborne Light Detection and Ranging) tornaram-se uma importante técnica de sensoriamento remoto para o inventário florestal, principalmente porque essa tecnologia pode fornecer informações de alta precisão e espacialmente detalhadas sobre os atributos da floresta em paisagens inteiras. Dados de sensores remotos LiDAR combinados com técnicas de aprendizado de máquina e algoritmos automatizados de detecção de árvores individuais apresentam grande potencial para modelagem e delineamento de atributos florestais em larga escala. Esta dissertação está focada na comparação de métodos preditivos de volume total e de número de árvores individuais em plantios de Eucalyptus spp. à partir de dados derivado de sensor LiDAR. Mais especificamente avaliando: 1- o impacto combinado do tamanho da amostra e técnicas de modelagem paramétricas e não-paramétricas; 2- a acurácia de algoritmos de detecção automática de árvores individuais. A técnica de modelagem que apresentou o melhor desempenho foi verificado para o método OLS, que foi capaz de fornecer resultados comparáveis às abordagens tradicionais de inventário florestal usando apenas 40% do total de parcelas de campo, seguido pelo algoritmo Random Forest (RF) para o mesmo tamanho de amostra. Os algoritmos de detecção automática Dalponte e Silva apresentaram resultados mais precisos com os menores erros de comissão e omissão, e consequentement melhores F-scores na maioria das parcelas amostradas,obtendo resultados comparáveis.",
 	publisher = {Universidade Federal Rural de Pernambuco},
 	scholl = {Programa de Pós-Graduação em Ciências Florestais},
 	note = {Departamento de Ciência Florestal}
}