Quando da realização de um ortomosaico de imagens aéreas provenientes de um VANT, pontos de controle são necessários ao georreferenciamento e à melhoria da precisão absoluta, enquanto pontos de checagem servem para a validação da acurácia do modelo.

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.

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.

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

No manejo florestal, o uso de redes neurais pode ser limitado pelo overfitting, um problema que ocorre quando o modelo se ajusta aos dados de treinamento e perde a capacidade de prever dados para novas áreas, o que pode resultar em abrangências imprecisas ao aplicar o modelo em florestas com condições ambientais diferentes das utilizadas no treinamento.