A silvicultura urbana é um dos elementos essenciais à manutenção da qualidade de vida nos grandes centros urbanos. A existência de uma ampla rede de arvores distribuída ao longo das vias e dos espaços públicos atua promovendo a qualidade do ar, a conservação de água, o conforto térmico, acústico e psicológico dos cidadãos. Florestas urbanas são capazes de amenizar as emissões dos Gases do Efeito Estufa (GEE), tais como o CO₂, atuando como sumidouros. Visto sua importância, novas aplicações de ferramentas de sensoriamento remoto têm surgido para auxiliar no planejamento e implantação da silvicultura urbana. O sistema de escaneamento a laser aerotransportado LiDAR (Light Detection And Ranging em inglês), gera uma representação em três dimensões do objeto alvo por meio de uma nuvem de pontos georreferenciados. O cruzamento com sensores de altíssima resolução espectral proporciona analises mais aprofundadas do objeto, podendo-se extrair diversas métricas florestais tais como altura, área basal, e até mesmo espécie. O trabalho teve como objetivo verificar a contribuição do uso de informações derivadas da nuvem de pontos LiDAR, na identificação e classificação das seis espécies florestais mais frequentes do Parque Municipal Américo Renné Giannetti em Belo Horizonte, Minas Gerais, Brasil, a fim de auxiliar no planejamento e manejo da silvicultura urbana. Para tanto, por meio de classificação supervisionada, cruzou-se informações de levantamento de campo, segmentação de copas, pontos de topo de copa de árvore extraídos da nuvem LiDAR, e uma imagem multiespectral WordlView-2. A acurácia da classificação foi medida por análise da exatidão global do processo e por meio do índice Kappa. Os pontos de topo de copa de árvore derivados da nuvem LiDAR contribuíram para a localização e classificação das classes referentes às espécies florestais, quando comparados ao mesmo processo sem estes pontos. A segmentação das copas executada pelo programa eCognition facilitou o lançamento das amostras treinamento e teste. O classificador ECHO conseguiu melhores valores de acurácia e índice Kappa, frente aos outros classificadores do programa Multispec. O uso de informações provenientes da nuvem de pontos LiDAR se mostrou promissor em imagens multiespectrais de ambiente florestal urbano, aumentando a acurácia geral da classificação supervisionada.

Urban forestry is a key element to maintaining the quality of life in urban centers. The existence of a broad network of trees distributed along roads and public spaces acts to promote air quality, water conservation, thermal comfort, acoustic and psychological citizens. Urban forests are able to mitigate the emissions of Greenhouse Gases (GHG) such as CO₂, acting as sinks. Since its importance, new applications of remote sensing tools have emerged to assist in planning and implementation of urban forestry. The laser scanning system airborne LiDAR (Light Detection And Ranging), generates a three-dimensional representation of the target object through a cloud of points georeferenced. The crossing with very high resolution sensors provides more in-depth analysis of the object and can be extracted several forest metrics such as height, basal area, and even species. The study aimed to verify the contribution of LiDAR derived points in the identification and classification of six most common tree species in Parque Municipal Americo Renne Giannetti, Belo Horizonte, Minas Gerais, Brazil, in order to assist urban forestry planning and management. Through supervised classification, field survey information, segmented areas, LiDAR treetop points, and a multispectral WordlView-2 image were crossed together. The classification accuracy was measured by analyzing overall accuracy and Kappa index. The LiDAR treetop points contributed to location and classification of tree species' classes, when compared to the same process without these points. The segmentation of crowns performed by eCognition program facilitated the launch of training and test samples. ECHO classifier showed the best accuracy and Kappa index in comparison to other Multispec program classifiers. The aggregation of LiDAR data showed promise in urban forest multispectral images, increasing supervised classification overall accuracy.