As imagens oriundas da SRTM (Shuttle Radar Topography Mission) permitem a construção de modelos digitais de superfície, enquanto imagens provenientes de radares LIDAR (light detection and ranging) só possibilitam a elaboração de modelos digitais de elevação.

O uso de scanner a laser aerotransportado (tecnologia LIDAR — light detection and ranging) em povoamentos florestais permite a estimação indireta do volume de madeira.

Em relação ao uso de inteligência artificial para a automação de operações florestais, julgue os próximos itens.

Os sistemas de visão computacional baseados em técnicas de redes neurais convolucionais podem ser empregados para identificar e classificar árvores em tempo real, permitindo o monitoramento da saúde da floresta.

Em relação ao uso de inteligência artificial para a automação de operações florestais, julgue os próximos itens.

No treinamento de modelos de aprendizado de máquina aplicados a operações florestais, pode ocorrer underfitting quando o modelo aprende padrões específicos dos dados de treinamento, mas não faz boas generalizações para novos dados.

import numpy as np
import rasterio
def calcular_ndvi(arquivo_nir, arquivo_red, saida_ndvi):
  with rasterio.open(arquivo_nir) as nir_src:
    nir = nir_src.read(1).astype('float32')
    perfil = nir_src.profile
  with rasterio.open(arquivo_red) as red_src:
    red = red_src.read(1).astype('float32')
  ndvi = (nir - red) / (nir + red + 1e-10)
  perfil.update(dtype=rasterio.float32, count=1)
  with rasterio.open(saida_ndvi, 'w', **perfil) as dst:
    dst.write(ndvi, 1)
  print(f"NDVI calculado e salvo em: {saida_ndvi}")

Se o código estiver processando imagens advindas do satélite LANDSAT 8, as bandas espectrais do vermelho e do infravermelho próximo serão B4 e B5, respectivamente.

import numpy as np
import rasterio
def calcular_ndvi(arquivo_nir, arquivo_red, saida_ndvi):
  with rasterio.open(arquivo_nir) as nir_src:
    nir = nir_src.read(1).astype('float32')
    perfil = nir_src.profile
  with rasterio.open(arquivo_red) as red_src:
    red = red_src.read(1).astype('float32')
  ndvi = (nir - red) / (nir + red + 1e-10)
  perfil.update(dtype=rasterio.float32, count=1)
  with rasterio.open(saida_ndvi, 'w', **perfil) as dst:
    dst.write(ndvi, 1)
  print(f"NDVI calculado e salvo em: {saida_ndvi}")

Na interpretação do resultado do código, valores de NDVI próximos de 0 indicam maiores quantidades de vegetação fotossinteticamente ativa, enquanto valores próximos de 1 sugerem uma baixa vegetação.

A estrutura diamétrica de uma floresta, sob o ponto de vista da produção, permite caracterizar e indicar o estoque de madeira disponível anteriormente a uma exploração, além de fornecer informações que auxiliem na tomada de decisões sobre a necessidade de reposição florestal.

No inventário de uma floresta plantada, é recomendado o uso de processo de amostragem estratificada, devido à uniformidade do cenário.

O índice de sítio é a medida que representa a capacidade produtiva de um local e, geralmente, é representado pelo diâmetro da árvore na altura do peito (DAP) em uma idade de referência, que é uma variável altamente correlacionada com a produtividade volumétrica e pouco influenciada pela variação da densidade do povoamento e por tratos silviculturais.

No que se refere à inteligência artificial aplicada ao manejo florestal, julgue os itens subsequentes.

No manejo florestal por meio de machine learning, os métodos supervisionados são amplamente utilizados para prever variações, como crescimento das árvores, a partir de dados rotulados provenientes de sensores e inventários florestais; enquanto os métodos não supervisionados são aplicados para identificar padrões e agrupar áreas com características especificas, como tipos de vegetação, grau de intervenção ou diferentes estágios de crescimento da floresta.