Banca de QUALIFICAÇÃO: NAISILA CARVALHO PRESTES

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : NAISILA CARVALHO PRESTES
DATA : 22/06/2026
HORA: 09:00
LOCAL: Meet
TÍTULO:

ANÁLISE DE DADOS E DIFERENCIAÇÃO HIPERESPECTRAL DE ESPÉCIES DE IPÊ (Handroanthus spp. e Tabebuia spp.)

PALAVRAS-CHAVES:

sensoriamento remoto; espectrorradiometria; aprendizado de
máquina; assinaturas espectrais; espécies florestais; ipê.

PÁGINAS: 60
RESUMO:

O sensoriamento hiperespectral associado a algoritmos de aprendizado de máquina apresenta elevado potencial para a diferenciação espectral de espécies florestais nativas, especialmente em ambientes tropicais com alta diversidade vegetal. O presente estudo teve como objetivo avaliar a eficiência da espectrorradiometria hiperespectral na discriminação de quatro espécies de ipê (Tabebuia rosea, Tabebuia roseoalba, Handroanthus chrysotrichus e Handroanthus impetiginosus) presentes no município de Sinop, Mato Grosso. As amostras foliares foram coletadas em ambiente urbano e submetidas à aquisição de curvas espectrais por meio do sensor Ocean Optics STS-VIS-L-50-400-SMA, na faixa espectral de 450 a 824 nm. Os dados espectrais foram organizados em bandas específicas e índices derivados de diferença de inflexão de reflectância (RID), sendo posteriormente analisados por técnicas estatísticas multivariadas e algoritmos de aprendizado de máquina, incluindo Random Forest, Support Vector Machine, Redes Neurais Artificiais, árvores de decisão REPTree e J48, além de Regressão Logística. As curvas espectrais evidenciaram diferenças no comportamento da reflectância entre as espécies, principalmente nas regiões do visível e infravermelho próximo, associadas às características bioquímicas e estruturais das folhas. A análise de componentes principais permitiu identificar agrupamentos distintos entre as espécies, demonstrando elevada contribuição das bandas espectrais e dos índices RID para a discriminação espectral. Entre os algoritmos avaliados, Random Forest e Support Vector Machine apresentaram os melhores desempenhos para as métricas de classificação correta, coeficiente Kappa e F-score. Os resultados demonstraram que a integração entre sensoriamento hiperespectral e aprendizado de máquina constitui uma abordagem eficiente e promissora para identificação automatizada de espécies arbóreas, contribuindo para aplicações em inventários florestais, monitoramento ambiental, arborização urbana e conservação da biodiversidade.

MEMBROS DA BANCA:
Presidente - 131916001 - RIVANILDO DALLACORT
Interno - 265126001 - CARLOS ANTONIO DA SILVA JUNIOR
Externo à Instituição - PAULO EDUARDO TEODORO - UFMS