https://hdl.handle.net/1884/39600 Sun, 26 Apr 2026 00:21:06 GMT 2026-04-26T00:21:06Z https://hdl.handle.net/1884/98422 Modelagem de propagação do fogo : uma abordagem físico química Resumo disponível somente no PDF por conter caracteres especiais, fórmulas, equações, diagramas, entre outros Orientador: Prof. Dr. Antonio Carlos Batista; Coorientadores: Prof. Dr. Alexandre França Tetto e Prof. Dr. Marcos Vinicius Giongo Alves; Banca: Antonio Carlos Batista (Presidente da Banca), Ronaldo Viana Soares, Tiago de Souza Ferreira, Marcos Pedro Ramos Rodríguez e Bruna Kovalsyki; Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Agrárias, Programa de Pós-Graduação em Engenharia Florestal. Defesa : Curitiba, 06/06/2025; Inclui referências Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/1884/98422 2025-01-01T00:00:00Z https://hdl.handle.net/1884/98097 Onde estão as palmeiras na Amazônia? : sensoriamento remoto e inteligência artificial aplicados à análise espacial da ocorrência e densidade de espécies Resumo: A floresta amazônica abriga uma notável diversidade de palmeiras com relevância ecológica, econômica e sociocultural, cuja distribuição espacial e densidade ainda são pouco conhecidas devido à complexidade do ambiente e às limitações logísticas da coleta em campo. Esta tese estruturou-se em três capítulos inter-relacionados que investigam, por meio de geotecnologias e inteligência artificial, estratégias para mapear e modelar a ocorrência de palmeiras amazônicas em larga escala. No primeiro capítulo, avaliou-se o desempenho do modelo de deep learning YOLOv10x para detecção automática de 14 espécies de palmeiras em imagens RGB obtidas por drones em 47 locais da Amazônia ocidental, destacando-se o modelo global com precisão média de (mAP) de 80% e elevada capacidade de generalização entre regiões (F1-score = 79%), regiões com maior número de imagem e indivíduos, Regiões com maior número de imagens e indivíduos, como Baixo Acre, apresentaram os melhores desempenhos (mAP > 0,90), enquanto áreas com amostragem limitada, como Juruá e Sul do Amazonas, obtiveram mAPs abaixo de 0,37. O segundo capítulo investigou o impacto da sazonalidade sobre a acurácia do modelo, comparando períodos seco e chuvoso no estado do Acre. Os resultados indicaram variações interespécies relacionadas à fenologia e à visibilidade no dossel, em que o período chuvoso apresentou desempenho superior ao seco, evidenciando a importância do estabelecimento de um calendário de coleta das imagens, a fim de considerar aspectos ecológicos como e operacionais na coleta e no treinamento dos modelos. Por fim, o terceiro capítulo integrou as detecções obtidas com YOLOv10x a variáveis ambientais para modelar e espacializar a densidade das espécies com Random Forest, utilizando abordagem bootstrap. Os modelos apresentaram desempenho preditivo variável entre as espécies, coeficientes de determinação (R²) entre 0,45 e 0,85. As covariáveis de maior importância foram precipitações máxima e mínima, as temperaturas máxima e mínima, a longitude, a latitude, a elevação e o índice topográfico de umidade (TWI). Os mapas gerados revelaram a preferência de algumas espécies, como Mauritia flexuosa (buriti), Astrocaryum aculeatum (tucumã), Euterpe precatoria (açaí) e Oenocarpus bataua (patauá), por áreas de baixio e maior umidade, enquanto outras, como Attalea maripa (inajá), se distribuíram em terrenos mais elevados e bem drenados. Esses padrões específicos de ocorrência podem servir de base para a identificação de áreas prioritárias para cadeias produtivas da bioeconomia amazônica. Os resultados demonstram o potencial da combinação entre sensoriamento remoto, aprendizado profundo e modelagem ambiental como ferramenta estratégica para monitoramento, planejamento territorial e valorização da sociobiodiversidade na Amazônia; Abstract: The Amazon rainforest harbors a remarkable diversity of palm species with ecological, economic, and sociocultural relevance, whose spatial distribution and density remain poorly understood due to the complexity of the environment and logistical limitations of field sampling. This dissertation is structured into three interrelated chapters that investigate, through geotechnologies and artificial intelligence, strategies to map and model the occurrence of Amazonian palms at a large scale. In the first chapter, the performance of the deep learning model YOLOv10x was evaluated for the automatic detection of 14 palm species in RGB images captured by drones across 47 locations in the western Amazon. Regions with a larger number of images and individuals, such as Baixo Acre, achieved the best performance (mAP > 0.90), while areas with limited sampling, such as Juruá and southern Amazonas, had mAP values below 0.37. However, the global model stood out with a mean Average Precision (mAP) of 80% and high generalization capacity across regions (F1-score = 79%). The second chapter investigated the impact of seasonality on model accuracy by comparing dry and rainy periods in the state of Acre. The results indicated interspecies variations related to phenology and canopy visibility, with the rainy season showing better performance than the dry season. This highlights the importance of establishing an image acquisition calendar that considers both ecological and operational aspects during data collection and model training. Finally, the third chapter integrated the detections obtained with YOLOv10x and environmental variables to model and spatialize species density using the Random Forest algorithm, adopting a bootstrap approach. The models exhibited varying predictive performance among species, with coefficients of determination (R²) ranging from 0.45 to 0.85. The most important covariates were maximum and minimum precipitation, maximum and minimum temperature, longitude, latitude, elevation, and the Topographic Wetness Index (TWI). The generated maps revealed specific habitat preferences for some species, such as Mauritia flexuosa (buriti), Astrocaryum aculeatum (tucumã), Euterpe precatoria (açaí), and Oenocarpus bataua (patauá), which favored low-lying and wetter areas, while others, such as Attalea maripa (inajá), were distributed in higher and better-drained terrains. These specific occurrence patterns may serve as a basis for identifying priority areas for sustainable value chains within the Amazon bioeconomy. The results demonstrate the potential of combining remote sensing, deep learning, and environmental modeling as a strategic tool for monitoring, territorial planning, and the enhancement of sociobiodiversity in the Amazon Orientadora: Profa. Dra. Ana Paula Dalla Corte; Coorientadores: Prof. Dr. Evandro Orfanó Figueiredo e Prof. Dr. Eben North Broadbendt; Banca: Ana Paula Dalla Corte (Presidente da Banca), Jorge Antonio Silva Centeno, Evandro José Linhares Ferreira, Matheus Pinheiro Ferreira e Gustavo Manzon Nunes; Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Agrárias, Programa de Pós-Graduação em Engenharia Florestal. Defesa : Curitiba, 07/07/2025; Inclui referências Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/1884/98097 2025-01-01T00:00:00Z https://hdl.handle.net/1884/98423 Valorização da fase aquosa do bio-óleo de pirólise rápida em uma plataforma de biorrefinaria Resumo: A valorização da fase aquosa (FA) do bio-óleo de pirólise rápida representa uma rota promissora para plataformas de biorrefinaria voltadas à recuperação de compostos de alto valor agregado. Esta tese teve como objetivo desenvolver metodologias sustentáveis e escalonáveis para a separação, purificação e aplicação de três moléculas-alvo presentes na FA: levoglucosan, catecol e vanilina. No Capítulo I, foi realizada uma abordagem conceitual, identificando tendências globais de pesquisa, lacunas técnicas e a evolução do aproveitamento da FA. O capítulo II realizou uma revisão bibliométrica com o objetivo de mapear as fronteiras do conhecimento relativas às biorrefinarias baseadas em pirólise. O Capítulo III abordou as principais biomassas, métodos de pirólise e estratégias de fracionamento, evidenciando o crescente interesse na recuperação seletiva da FA. No Capítulo IV, foi descrito o fracionamento da FA por extração líquido-líquido com acetato de etila, seguido de purificação com resinas poliméricas. O acetato de etila mostrou-se eficaz na concentração de compostos fenólicos, enquanto a resina PAD900 possibilitou a purificação seletiva de frações ricas em levoglucosan. No Capítulo V, o levoglucosan foi recuperado por cristalização controlada (rendimento: 12,02 ± 1,04 µL), e compostos fenólicos foram seletivamente precipitados com etanol e éter etílico (rendimento: 9,40 ± 2,36 µL). O Capítulo V avaliou a bioatividade da FA bruta e dos resíduos da coluna de resina (RES), com destaque para a atividade antioxidante e antimicrobiana da fração RES, aplicada na funcionalização de filmes de nanocelulose. Os resultados confirmam que a FA é uma matriz viável para a recuperação seletiva de moléculas plataforma e agentes bioativos, alinhando-se aos princípios da química verde e da bioeconomia circular. As metodologias propostas oferecem uma rota tecnicamente viável para integração de resíduos lignocelulósicos em biorrefinarias industriais; Abstract: The valorization of the aqueous phase (AP) of fast pyrolysis bio-oil represents a promising route for biorefinery platforms focused on the recovery of high value-added compounds. This thesis aimed to develop sustainable and scalable methodologies for the separation, purification, and application of three target molecules present in the AP: levoglucosan, catechol, and vanillin. In Chapter I, a conceptual review was conducted to identify global research trends, technical gaps, and the evolution of AP utilization. Chapter II presented a bibliometric review aimed at mapping the knowledge frontiers related to pyrolysis-based biorefineries. Chapter III explored the main biomass sources, pyrolysis methods, and fractionation strategies, highlighting the growing interest in the selective recovery of the AP. In Chapter IV, the fractionation of the AP was described through liquid-liquid extraction with ethyl acetate, followed by purification using polymeric resins. Ethyl acetate proved effective in concentrating phenolic compounds, while the PAD900 resin enabled the selective purification of fractions rich in levoglucosan. Chapter V focused on the recovery of levoglucosan through controlled crystallization (yield: 12.02 ± 1.04 µL), and the selective precipitation of phenolic compounds using ethanol and diethyl ether (yield: 9.40 ± 2.36 µL). This chapter also evaluated the bioactivity of the raw AP and the resin column residues (RES), highlighting the antioxidant and antimicrobial activity of the RES fraction, which was applied to functionalize nanocellulose films. The results confirm that the AP is a viable matrix for the selective recovery of platform molecules and bioactive agents, aligning with the principles of green chemistry and the circular bioeconomy. The proposed methodologies offer a technically feasible route for integrating lignocellulosic residues into industrial biorefineries Orientador: Prof. Dr. Pedro Henrique Gonzalez de Cademartori; Coorientadores: Prof. Drª. Graciela Inês Bolzon de Muniz, Dr. Washington Luiz Esteves Magalhães e Dr. Maurício de Matos; Banca: Pedro Henrique Gonzalez de Cademartori (Presidente da Banca), Fernando Augusto Ferraz, Thiago de Paula Protásio, Mayara Elita Braz Carneiro e Adriano Reis Prazeres Mascarenhas; Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Agrárias, Programa de Pós-Graduação em Engenharia Florestal. Defesa : Curitiba, 11/07/2025; Inclui referências Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/1884/98423 2025-01-01T00:00:00Z https://hdl.handle.net/1884/101525 Classificação de estágios sucessionais da vegetação secundária na floresta ombrófila mista : um enfoque de métricas UAV-LiDAR E LiDAR MLS Resumo: A presente tese investigou o potencial de diferentes tecnologias LiDAR para classificação e caracterização de estágios sucessionais em remanescentes da Floresta Ombrófila Mista (FOM) no sul do Brasil. O estudo integrou abordagens de sensoriamento remoto de alta resolução e análises ecológicas para testar metodologias robustas de classificação sucessional, essenciais para o monitoramento e gestão de ecossistemas florestais em regeneração. A pesquisa foi estruturada em cinco capítulos complementares. Inicialmente, uma revisão bibliográfica estabeleceu os fundamentos teóricos sobre sucessão florestal, estrutura da vegetação e sensoriamento remoto aplicado a florestas nativas, contextualizando a problemática e justificativa do estudo. O segundo capítulo explorou a aplicação de dados UAV- LiDAR em 30 parcelas permanentes distribuídas em diferentes estágios sucessionais (inicial, médio e avançado), onde foram derivadas métricas estruturais, incluindo variáveis discretas e simuladas full waveform (FWF). A análise exploratória multivariada revelou padrões estruturais distintos entre os estágios, com perfis verticais evoluindo de estruturas simples no estágio inicial para configurações multimodais e estratificadas no estágio avançado. O terceiro capítulo apresentou uma revisão sistemática sobre o uso da tecnologia Mobile Laser Scanning (MLS) em inventários florestais, analisando 56 artigos científicos publicados entre 2013 e 2023. Esta revisão documentou a evolução do MLS como ferramenta de alta precisão para coleta de dados florestais, sua crescente integração com algoritmo Random Forest e as limitações técnicas em ambientes naturais complexos. No quarto capítulo, foi utilizada uma abordagem de classificação sucessional utilizando sistema portátil de varredura a laser móvel (LiBackpack) em 12 parcelas. Por meio dos resultados foram inferidos padrões, identificando vantagens e limitações específicas da plataforma para caracterização estrutural dos estágios sucessionais da FOM. Para classificação dos estágios sucessionais, foi utilizado o algoritmo Random Forest e abordagens descritivas das variáveis. As variáveis mais importantes para discriminação sucessional incluíram métricas de altura, complexidade estrutural e penetração do dossel, evidenciando a complementaridade entre diferentes tipos de dados LiDAR. A análise ecológica dos resultados confirmou que as métricas LiDAR capturam efetivamente os processos de desenvolvimento estrutural ao longo da sucessão florestal. As considerações finais integraram os resultados dos estudos com UAV-LiDAR e MLS, discutindo suas implicações práticas para monitoramento florestal e planejamento ambiental. A tese demonstrou que dados LiDAR, quando analisados por meio de metodologias que integram conhecimento ecológico e técnicas avançadas de aprendizado de máquina, permitem classificação acurada e objetiva de estágios sucessionais em FOM, oferecendo potencial para aplicação em programas de monitoramento, restauração e conservação; Abstract: This thesis investigated the potential of different LiDAR technologies for the classification and characterization of successional stages in remnants of the Mixed Ombrophilous Forest (MOF) in southern Brazil. The study integrated high-resolution remote sensing approaches and ecological analyses to test robust successional classification methodologies, which are essential for the monitoring and management of regenerating forest ecosystems. The research was structured into five complementary chapters: Chapter 1: A literature review established the theoretical foundations of forest succession, vegetation structure, and remote sensing applied to native forests, providing context for the study's problem and justification. Chapter 2: Explored the application of UAV-LiDAR data across 30 permanent plots distributed among different successional stages (initial, intermediate, and advanced). Structural metrics were derived, including discrete variables and simulated Full Waveform (FWF) data. Multivariate exploratory analysis revealed distinct structural patterns, with vertical profiles evolving from simple structures in the initial stage to multimodal and stratified configurations in the advanced stage. Chapter 3: Presented a systematic review of Mobile Laser Scanning (MLS) technology in forest inventories, analyzing 56 scientific articles published between 2013 and 2023. This review documented the evolution of MLS as a high-precision tool for forest data collection, its increasing integration with the Random Forest algorithm, and the technical limitations encountered in complex natural environments. Chapter 4: Utilized a successional classification approach using a handheld mobile laser scanning system (LiBackpack) across 12 plots. The results allowed for the inference of patterns, identifying specific advantages and limitations of the platform for the structural characterization of MOF successional stages. The Random Forest algorithm and descriptive variable approaches were used for classification. The most significant variables for successional discrimination included height metrics, structural complexity, and canopy penetration, highlighting the complementarity between different types of LiDAR data. The ecological analysis confirmed that LiDAR metrics effectively capture structural development processes throughout forest succession. The final considerations integrated the results from the UAV-LiDAR and MLS studies, discussing their practical implications for forest monitoring and environmental planning. This thesis demonstrated that LiDAR data— when analyzed through methodologies integrating ecological knowledge and advanced machine learning techniques—allows for the accurate and objective classification of successional stages in the Mixed Ombrophilous Forest, offering significant potential for application in monitoring, restoration, and conservation programs Orientadora: Profa. Dra. Ana Paula Dalla Corte; Coorientadores: Prof. Dr. Christopher Thomas Blum e Prof. Dr. Vagner Alex Pesck; Banca: Ana Paula Dalla Corte (Presidente da Banca), Jonathan William Trautenmüller, Angelo Augusto Ebling, Cristiano Rodrigues Reis e Maurício Bergamini Scheer; Tese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Agrárias, Programa de Pós-Graduação em Engenharia Florestal. Defesa : Curitiba, 11/06/2025; Inclui referências; Área de concentração: Manejo Florestal Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/1884/101525 2025-01-01T00:00:00Z