Diversas atividades humanas acarretam a supressão de vegetação nativa e muitas vezes os limites legais não são respeitados, tornando necessária a Restauração Florestal (RF). No campo das geotecnologias (em especial, no Sensoriamento Remoto orbital e aéreo), câmeras convencionais acopladas a Aeronaves Remotamente Pilotadas, ou Remotely Piloted Aircrafts (RPA) podem aprimorar o processo de monitoramento da RF, pois geram produtos de maior resolução espacial, dados altimétricos via Modelos Digitais de Superfície (MDS), dados de altura via Canopy Height Model (CHM), imagens não contaminadas por nuvens e não possuem carência de resolução temporal. O objetivo principal desta pesquisa é estudar a aplicação de RPA e fotogrametria para avaliação e monitoramento de áreas em processo de RF, considerando o contexto atual brasileiro. Seguindo diretrizes do Protocolo de Monitoramento da RF do Pacto pela Restauração da Mata Atlântica, dois importantes aspectos da vegetação foram obtidos por RPA e fotogrametria: (i) estrutura, que consistiu na cobertura de dossel (via intervalo de valor do CHM), densidade de árvores (via algoritmo Máxima Local), cobertura de gramíneas (via machine learning, índice de vegetação e filtros) e altura de dossel (via CHM); e (ii) biodiversidade, que consistiu tanto na identificação de duas espécies relevantes para a RF na Amazônia (via deep learning) quanto em locais com maior ou menor diversidade de espécies (via deep learning para delineamento de copas e análises de regressão baseadas em métricas de heterogeneidade do CHM e dados de campo). RPA e fotogrametria mostraram êxito na medição de todos os indicadores, sendo que dois deles apresentaram capacidade de generalização a imagens diferentes das utilizadas neste estudo. Dentre os aspectos estruturais da vegetação, altura e cobertura de dossel podem ser trabalhados de forma mais generalizada porque podem ser obtidos utilizando-se apenas dados da nuvem de pontos. Essa base de dados obtida em processos de fotogrametria não sofre influência das variações de luz solar ao longo do dia e das estações do ano, o que possibilita a capacidade de generalização. Já a utilização do ortomosaico não possibilita num primeiro momento essa capacidade de generalização porque os valores dos seus pixels sofrem influência da luz solar, demandando mais trabalhos para possibilitar a capacidade de generalização de modelos que usam essa base de dados. Logo, apesar dos bons resultados obtidos para o quesito biodiversidade, são necessários mais dados para obtenção de modelos com maior capacidade de generalização, o que permitiria uma utilização mais pragmática pela sociedade. Diante do amplo potencial de contribuição ao monitoramento da RF, trabalhos futuros devem aprimorar os processos de machine learning e a medição da biodiversidade via RPA e fotogrametria, pois as florestas tropicais brasileiras são amplamente diversas e apresentam considerável desafio neste sentido.

Many anthropogenic activities cause vegetation suppression and not rarely do these actions exceed legal limits, demanding Forest Restoration (FR) projects. Geo-technologies such as Red-Green-Blue (RGB) sensors onboard Remotely Piloted Aircraft (RPA) have been gaining prominence since their products contain high spatial resolution, altitude data on Digital Surface Models (DSM), height data on Canopy Height Model (CHM), cloud cover absence, and high temporal resolution. This study aims to evaluate RPA and photogrammetry performance on automatic extraction of FR project parameters, considering the current Brazilian context. According to the Protocol for FR monitoring of the Atlantic Forest Restoration Pact, two relevant vegetation parameters were assessed through RPA and photogrammetry: (i) vegetation structure, which was canopy cover (via CHM threshold value), tree density (via Local Maximum algorithm), grass cover (via machine learning, vegetation index and filters), and canopy height (via CHM); and (ii) biodiversity, which consisted on the identification of relevant tree species for the FR in the Amazon (via deep learning) and on patches with more or less species diversity (via deep learning for the delineation of tree crowns and regression analysis based on heterogeneity metrics of the CHM and field data). RPA and photogrammetry successfully measured all the vegetation parameters, and two of them presented generalization capacity, which are methods that generate accurate results on images that are not used in this research. Among the structural parameters of the vegetation, canopy height and cover can be measured with generalization capacity because their acquisition relies on point cloud data only. Point cloud data obtained by photogrammetry is not influenced by variations in sunlight conditions, which makes the generalization capacity possible. However, the sunlight conditions influence the orthomosaic's pixel values, and thus more work is needed to improve the generalization capacity of methods involving this database. Therefore, despite the good results regarding biodiversity, more data are needed to develop models with more generalization capacity, which would enable pragmatic usage by society. Future works must then improve the machine learning processes and the biodiversity measurements via RPA and photogrammetry because this research branch has high potential to upscale FR monitoring and is considerably challenging in tropical Brazilian forests.