Affordable Access

Estimativa e modelagem da biomassa florestal acima do solo a partir do uso do sensoriamento remoto : 20 anos de monitoramento da vegetação

Authors
  • Ramos, Natália Oliveira
Publication Date
Feb 17, 2020
Source
Repositório Institucional da Universidade de Brasília
Keywords
License
Unknown
External links

Abstract

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, Programa de Pós-Graduação em Ciências Florestais, 2020. / Diante do importante papel das florestas no contexto de mudanças climáticas globais, estudos que permitam a modelagem da biomassa florestal (BF) na superfície terrestre e o seu monitoramento ao longo do tempo se tornaram imprescindíveis para prever o futuro das florestas e os serviços ecossistêmicos por elas oferecidos. A estimativa da BF pode ser feita através de métodos que utilizam dados de campo, conhecidos como métodos diretos, e através de métodos indiretos, que quantificam a BF a partir de variáveis relacionadas à produção florestal. Os dados provenientes de sensores remotos (SR) são apontados como ferramentas alternativas à estimativa in locu da BF em função de sua relação com a atividade fotossintética da vegetação. Dessa forma, o uso de dados do SR na modelagem faz parte dos métodos indiretos para estimativa da BF. Entretanto, a avaliação da precisão dos modelos e sua aplicação para análises multitemporais é um dos desafios atuais. Nesse contexto, o objetivo do presente estudo foi avaliar a utilização de variáveis derivadas de dados de SR na estimativa e monitoramento da BF acima do solo. O estudo foi conduzido em uma floresta de vale, localizada na transição Cerrado- Amazônia. Para isso, foram ajustados modelos de regressão e redes neurais artificiais (RNAs) que relacionaram índices de vegetação (IV) e reflectâncias (RE) com a BF obtida a partir de dados de 20 anos de monitoramento da vegetação. Apesar da relação entre os IV e RE, ambas as variáveis foram testadas, pois nem todas as RE estão presentes no cálculo dos IV. A BF apresentou coeficiente de variação elevado (>48%) para todos os períodos de análise. Foi observado que os IV apresentam potencial para estimar a BF através de modelos de regressão, todavia, com baixa precisão, apresentando erro relativo de 45,38%. As RNAs, por sua vez, apresentaram maior precisão, com erro relativo de 23,60%, que está relacionado ao fato das RNAs explorarem relações entre a BF e os dados de SR que a regressão não é capaz. Além disto, as variáveis de SR podem não ser sensíveis às variações no estoque espacial e anual de BF, o que prejudicou a qualidade dos ajustes. Dessa forma, as variáveis derivadas de SR possuem potencial para estimar e monitorar a BF, entretanto, diferentes métodos devem ser testados a fim de explorar com maior acurácia a relação entre essas variáveis, com especial atenção às Redes Neurais Artificiais. / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). / In view of the important role of forests in the context of global climate change, studies that allow the modeling of forest biomass (FB) on the Earth's surface and its monitoring over time have become essential to predict the future of forests and ecosystem services by them offered. The estimation of FB can be done through methods that use field data, known as direct methods, and through indirect methods, which quantify FB from variables related to forest production. The data from remote sensors (RS) are pointed out as alternative tools to the FB in locu estimation due to their relationship with the photosynthetic vegetation activity. Thus, the use of SR data in modeling is part of the indirect methods for estimating FB. However, assessing the accuracy of the models and their application for multitemporal analysis is one of the current challenges. In this context, the objective of the present study was to evaluate the use of variables derived from RS data in the estimation and monitoring of FB above ground. The study was conducted in a valley forest, located in the Cerrado-Amazon transition. For that, regression models and artificial neural networks (ANNs) were adjusted, which related vegetation indexes (IV) and reflectances (RE) with the FB obtained from data from 20 years of vegetation monitoring. Despite the relationship between IV and RE, both variables were tested, as not all RE are present in the calculation of IV. The FB presented a high coefficient of variation (> 48%) for all periods of analysis. It was observed that the IVs have the potential to estimate FB through regression models, however, with low precision, presenting a relative error of 45.38%. The ANNs, in turn, were more accurate, with a relative error of 23.60%, which is related to the fact that the ANNs explore relationships between FB and RS data that the regression is not capable of. In addition, the RS variables may not be sensitive to variations in the spatial and annual BF stock, which impaired the quality of the adjustments. Thus, the variables derived from RS have the potential to estimate and monitor FB, however, different methods must be tested in order to more accurately explore the relationship between these variables, with special attention to Artificial Neural Networks.

Report this publication

Statistics

Seen <100 times