Os dados LiDAR aerotransportados (Light Detection And Ranging) dificultam a distinção entre solo e áreas de vegetação herbácea, e os índices de vegetação em luz visível não conseguem separar arbustos e o estrato arbóreo. Para resolver esses problemas, foi construída uma imagem multibanda que integra a nuvem de pontos LiDAR com o índice de vegetação RGB. Um modelo detalhado de altura do dossel (Canopy Height Model, CHM) foi gerado a partir da nuvem de pontos LiDAR, e imagens digitais ortorrectificadas de alta definição foram produzidas utilizando dados de drones. Após a comparação da precisão dos diferentes índices de vegetação, foi selecionado o Índice Diferencial de Vegetação Aprimorado (Differential Enhanced Vegetation Index, DEVI) para fusão com o CHM. A reconstrução morfológica da imagem fusionada CHM+DEVI foi realizada para remover valores não razoáveis; amostras de treinamento foram construídas e o algoritmo de árvore de regressão classificatória foi utilizado para segmentar a área do solo e extrair adaptativamente a vegetação em árvores, arbustos e gramíneas. Na área de árvores, um algoritmo de máximo local foi utilizado para detectar os picos das árvores como marcadores de primeiro plano, enquanto a área não arbórea foi atribuída como marcador de fundo, e a transformação de watershed foi aplicada para obter os resultados da segmentação. A análise de precisão das informações extraídas pelo método com dados medidos indicou que o método aprimorado aumentou a taxa global de recuperação em 3,2%, a precisão em 3,9% e a pontuação F1 em 3,5%, enquanto a precisão altura das árvores aumentou 1,7%, 6,4%, 1,8% e 0,3% respectivamente para quatro parcelas amostradas. A eficácia do método aprimorado foi comprovada e, quanto maior o grau de mistura da vegetação na região, melhor o efeito de extração do algoritmo.

lidar;imagens de drone;índice diferencial aprimorado de vegetação;reconstrução morfológica;algoritmo de watershed marcado