Please use this identifier to cite or link to this item:
http://hdl.handle.net/11612/8082| Authors: | Santos, Wellington Rangel dos |
| metadata.dc.contributor.advisor: | Collicchio, Erich |
| Title: | Estimativa de acúmulo de carbono em macaúbas a partir de imagens de drone e inteligência artificial |
| Keywords: | Acrocomia. Sequestro de carbono. VANT. Inteligência artificial. Equações alométricas.Acrocomia aculeata. Carbon estimation. UAV. Artificial intelligence. Allometric equations |
| Issue Date: | 6-Apr-2025 |
| Publisher: | Universidade Federal do Tocantins |
| metadata.dc.publisher.program: | Programa de Pós-Graduação em Agroenergia - PPGA |
| Citation: | SANTOS, Wellington Rangel dos. Estimativa de acúmulo de carbono em macaúbas a partir de imagens de drone e inteligência artificial.2025.79. Dissertação (Mestrado em Agroenergia) – Universidade Federal do Tocantins, Programa de Pós-Graduação em Agroenergia, Palmas, 2025. |
| metadata.dc.description.resumo: | A crescente demanda por soluções sustentáveis na agroenergia e no mercado de carbono, aliada à necessidade de subsidiar políticas públicas de crédito de carbono, planejamento agrícola e iniciativas de restauração ecológica em regiões tropicais, tem impulsionado o desenvolvimento de métodos mais precisos e escaláveis para mensurar o acúmulo de carbono em culturas agrícolas. Entre essas, destaca-se a macaúba (Acrocomia aculeata), uma palmeira nativa com elevado potencial oleaginoso, ampla adaptabilidade e alta capacidade de sequestro de carbono, sendo considerada estratégica para a bioeconomia brasileira. No entanto, a quantificação do carbono acumulado na macaúba ainda é limitada por métodos convencionais, como análises destrutivas e equações alométricas aplicadas a dados coletados manualmente, os quais são onerosos, imprecisos e inviáveis em larga escala. Este trabalho teve como objetivo propor e validar uma metodologia não destrutiva para estimar, de forma individualizada, o acúmulo de carbono em plantas de macaúba por meio da integração entre equações alométricas com sensoriamento remoto, drones e inteligência artificial (IA). Foram realizadas coletas em quatro áreas experimentais e naturais nos estados de Tocantins e Minas Gerais. As imagens capturadas por Veículos Aéreos Não Tripulados (VANTs) foram processadas com o uso de redes neurais convolucionais (YOLOv8-Seg) para segmentar automaticamente as copas das palmeiras. A partir disso, foram extraídos o maior diâmetro da copa e a altura das plantas, utilizados como variáveis preditoras em equações alométricas previamente definidas. A acurácia das estimativas foi avaliada por meio da correlação entre os valores estimados e os medidos em campo, utilizando métricas como Erro Absoluto Médio (MAE) e coeficiente de correlação de Pearson. Os resultados demonstraram elevada correlação (R > 0,80) entre as estimativas computacionais e os dados de campo, tanto para o diâmetro da copa quanto para a altura das plantas, com baixos valores de MAE. A estimativa de carbono, baseada nesses parâmetros, também apresentou forte concordância com os valores reais, validando a eficácia do método proposto. Além disso, observou-se que o uso de IA reduziu significativamente o tempo de processamento e a intervenção manual, tornando o processo mais eficiente e aplicável em grandes áreas. Conclui-se que a metodologia desenvolvida representa demonstrou potencial para a mensuração do carbono em sistemas agroflorestais de forma individualizada, contribuindo para a consolidação da macaúba como cultura estratégica para políticas públicas de crédito de carbono. |
| Abstract: | The growing demand for sustainable solutions in agroenergy and the carbon market, along with the need to support public policies for carbon credit programs, agricultural planning, and ecological restoration in tropical regions, has driven the development of more accurate and scalable methods to estimate carbon accumulation in agricultural systems. Among promising crops, Acrocomia aculeata (macauba) stands out as a native palm with high oil yield, broad environmental adaptability, and significant carbon sequestration potential, positioning it as a strategic asset for Brazil’s bioeconomy. However, traditional approaches to estimating carbon stock in macauba—often reliant on destructive sampling or manual data collection for allometric models—remain costly, labor-intensive, and impractical for large-scale application. The study aimed to develop and validate a non-destructive, individualized methodology to estimate carbon accumulation in macauba palms by integrating allometric equations with remote sensing, drone imagery, and artificial intelligence (AI). Field campaigns were carried out across four experimental and natural sites in the states of Tocantins and Minas Gerais. High-resolution aerial images obtained via Unmanned Aerial Vehicles (UAVs) were processed using convolutional neural networks (YOLOv8-Seg) to automatically segment individual palm crowns. From the segmented imagery, key dendrometric variables, crown diameter and tree height, were extracted and used as input for predefined allometric models. Model accuracy was assessed through comparisons with field data, employing Mean Absolute Error (MAE) and Pearson’s correlation coefficient. The results revealed strong correlations (R > 0.80) for both variables, with low MAE values. Carbon estimates closely matched field measurements, confirming the reliability of the proposed approach. Additionally, the use of AI significantly reduced manual labor and processing time, enhancing overall efficiency and scalability. By enabling individual-level, non-invasive analysis, the methodology shows strong potential for improving carbon accounting in agroforestry systems and reinforces the role of macauba as a strategic crop for sustainable land management, forest inventories, and carbon credit initiatives in tropical regions |
| URI: | http://hdl.handle.net/11612/8082 |
| Appears in Collections: | Mestrado em Agroenergia |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Wellington Rangel dos Santos - Dissertação.pdf | 2.72 MB | Adobe PDF |  View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.