O monitoramento é um instrumento imprescindível para o sucesso de projetos de restauração florestal. Fornece informações progressivas através de indicadores para o acompanhamento do desenvolvimento da floresta, subsidiando a implantação de ações corretivas na trajetória de sucessão ecológica. O objetivo da presente pesquisa foi o de organizar e aplicar um conjunto de procedimentos de classificação e interpretação, baseados em Sensoriamento Remoto e em Sistemas de Informações Geográficas, para a mensuração de indicadores ecológicos prescritos em protocolos de monitoramento de restauração florestal em Mata Atlântica (Portaria CBRN/SMA-SP 01/2015 e Pacto pela Restauração da Mata Atlântica). Foram utilizados imagens multiespectrais de alta resolução e dados LiDAR (Light Detection and Ranging) aéreos, aplicando-se técnicas de classificação de imagens orientada a objetos e de aprendizado de máquina. O estudo multitemporal contemplou a mensuração dos seguintes indicadores: cobertura do solo com floresta, altura do dossel, abertura do dossel e Índice de Área Foliar. Para a mensuração da cobertura florestal, foi aplicado o algoritmo de segmentação multirresolução (crescimento de região) sobre as imagens de alta resolução e sobre a nuvem de pontos LiDAR. Foi utilizado aprendizado de máquina (árvore de decisão) na classificação dos objetos segmentados, com coeficiente Kappa acima de 0,90. As alturas do dossel foram obtidas a partir de Modelo Digital De Altura das Árvores (MDAA) derivado da nuvem de pontos LiDAR, comparadas com dados de alturas coletadas em campo. Para a determinação das aberturas no dossel, foi utilizado o algoritmo de detecção de borda "contrast split" sobre a nuvem de pontos para a segmentação das aberturas acima de 50 m² de área e com altura média de vegetação de até 3m. O Índice de Área Foliar foi mensurado a partir da nuvem de pontos LiDAR. Ao final, foi gerado mapa síntese identificando as áreas prioritárias para intervenção, a partir da hierarquização dos indicadores através de Análise Multicritério (técnica de Combinação Linear Ponderada), identificando os trechos mais críticos e prioritários para intervenção e correção de desvios de trajetória por parte dos responsáveis pela restauração.

Monitoring is an essential tool for the success of forest restoration projects. It provides progressive information through indicators for following forest development and supports decisions for midcourse corrections during ecological succession. This research organizes and applies a set of classification and interpretation procedures based on Remote Sensing and Geographic Information Systems, for the measurement of ecological indicators prescribed in protocols for monitoring forest restoration in the Atlantic Forest ("Portaria CBRN/SMA-SP 01/2015" and "Pacto pela Restauração da Mata Atlântica"). High resolution multispectral images and aerial LiDAR (Light Detection and Ranging) data were used, applying object based image analysis and machine learning. The multitemporal study included measurement of the following indicators: forest cover, canopy height, canopy gaps and Leaf Area Index. For forest cover, multiresolution segmentation algorithm was applied to the high resolution images and the LiDAR point cloud, and machine learning (decision tree) was used to classify the segmented objects, with Kappa coefficient above 0,90. Canopy heights were obtained from Canopy Height Model (CHM) derived from LiDAR point cloud, and compared with field-measured tree heights. Canopy gap fractions above 50 m² and average vegetation height below 3m were identified by contrast split algorithm segmentation on the CHM. Leaf Area Index was measured from the LiDAR point cloud. A synthesis map was generated identifying priority areas for intervention, based on the indicators hierarchy using Multicriteria Analysis (Weighted Linear Combination technique).