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

Abstract

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.