Avanços no Mapeamento de Biomassa Florestal

As florestas são super importantes pro meio ambiente. Elas ajudam a armazenar carbono, que é essencial pra combater as mudanças climáticas. Pra gerenciar bem as florestas, a gente precisa de dados precisos sobre a quantidade de biomassa, especialmente a biomassa acima do solo (AGB), que se refere à massa total das árvores, galhos e folhas que estão acima do chão. Os métodos tradicionais de medir biomassa exigem muito tempo e esforço, tornando difícil usá-los em grande escala. O sensoriamento remoto, que usa tecnologia pra coletar informações à distância, virou uma forma popular de estimar a AGB das florestas em áreas grandes de forma mais rápida e eficiente.

#Papel do Sensoriamento Remoto

O sensoriamento remoto envolve diferentes tipos de tecnologia que conseguem ver e medir árvores do céu. Isso inclui dados ópticos, Radar de Abertura Sintética (SAR), e Detecção e Medição de Luz (LiDAR). Cada tipo tem suas vantagens e desvantagens:

• Dados Ópticos: Capturam a luz refletida das árvores, permitindo ver detalhes como a cobertura arbórea. Mas pode ter dificuldade em enxergar através das nuvens e não é tão eficaz em copas de florestas densas.

• SAR: Essa tecnologia emite seus próprios sinais de radar pra medir a floresta. Ela consegue passar pelas nuvens e funciona de dia ou de noite, tornando-se confiável pra coleta de dados. Mas também tem suas limitações e pode ser afetada pelo tipo de estrutura da floresta.

• LiDAR: Usa luz a laser pra medir a altura das árvores e a estrutura da copa. Fornece informações tridimensionais detalhadas sobre as florestas e minimiza problemas de saturação, mas também pode ser limitado por condições atmosféricas como nuvens.

#Novos Avanços em Sensoriamento Remoto

Uma nova ferramenta chamada Global Ecosystem Dynamics Investigation (GEDI) tá mudando a forma como coletamos dados sobre a biomassa das florestas. O GEDI usa um sensor LiDAR pra fornecer medições de alta resolução, especialmente em florestas densas onde outros métodos costumam falhar. Mas, como os dados do GEDI são coletados em áreas pequenas, a gente precisa combiná-los com dados de outras fontes pra criar um mapa completo da AGB das florestas.

Nesse estudo, nosso objetivo foi desenvolver métodos pra criar mapas de AGB precisos usando dados do GEDI e outras fontes de sensoriamento remoto. Ao usar dados locais, esperávamos melhorar as estimativas da AGB das florestas em diferentes regiões da China, especificamente nas áreas do nordeste e sudoeste.

#Áreas de Estudo

A pesquisa foi realizada em duas regiões da China: uma no nordeste, principalmente nas províncias de Jilin e Heilongjiang, e a outra no sudoeste, principalmente na província de Yunnan. Essas regiões têm diferentes tipos de florestas, climas e terrenos, oferecendo uma ótima oportunidade pra testar os métodos que desenvolvemos pra estimar a AGB.

#Região do Nordeste

A região nordeste tem um clima temperado, com invernos frios e verões quentes. As florestas dessa área são compostas principalmente por pinheiros coreanos e várias espécies decíduas. Ao longo dos anos, algumas das florestas primárias foram perdidas devido ao desmatamento, resultando em uma mistura de florestas secundárias e plantações.

#Região do Sudoeste

Por outro lado, a região sudoeste é muito mais montanhosa, com uma diversidade de tipos de florestas. Essa área tem um clima subtropical, com temperaturas mais altas e bastante chuva. As diferentes elevações criam uma rica diversidade de florestas, incluindo florestas de folhas finas e florestas de folhas largas.

#Coleta de Dados em Campo

Pra melhorar nossa compreensão da AGB nessas regiões, montamos parcelas de campo onde medimos árvores. Coletamos dados sobre a altura e diâmetro das árvores, que usamos pra calcular a AGB usando equações específicas. Essas informações são cruciais porque permitem correlacionar as medições do campo com os dados capturados pelas tecnologias de sensoriamento remoto.

#Combinando Fontes de Dados

Na nossa abordagem, combinamos dados do GEDI, Sentinel-1 (SAR), Sentinel-2 (óptico), e ALOS-2 (SAR de banda L) pra estimar a AGB das florestas. Usando modelos de aprendizado de máquina locais, nosso objetivo era gerar mapas de AGB de alta resolução com um tamanho de pixel de 25 metros.

#Desenvolvimento do Modelo

Usando os dados coletados de ambas as regiões, desenvolvemos dois modelos de aprendizado de máquina: LightGBM e floresta aleatória. O LightGBM é conhecido pela sua eficiência e velocidade, enquanto a floresta aleatória é muitas vezes usada pela sua precisão em análise preditiva. Testamos ambos os modelos pra ver quão bem eles conseguiam prever a AGB com base nos dados de sensoriamento remoto.

#Resultados do Estudo

Na nossa análise, descobrimos que o LightGBM teve um desempenho ligeiramente melhor que o modelo de floresta aleatória na estimativa da AGB nas duas regiões. Na região nordeste, ambos os modelos mostraram uma forte correlação com os dados do campo, enquanto a região sudoeste apresentou um pouco mais de variabilidade devido ao seu terreno montanhoso.

#Métricas de Desempenho

Ambos os modelos geraram resultados semelhantes, mas o LightGBM foi mais rápido, reduzindo significativamente o tempo de computação. Durante a validação cruzada, o LightGBM obteve margens de erro menores e produziu mapas mais confiáveis do que a floresta aleatória, especialmente em áreas com inclinações acentuadas.

#Impacto do Terreno

O terreno teve um papel significativo nos nossos resultados. À medida que a inclinação da terra aumentava, notamos que a precisão das estimativas de AGB diminuía. Na região nordeste, os modelos tiveram um bom desempenho em áreas planas, mas encontraram desafios em regiões íngremes. O oposto aconteceu na região sudoeste, onde as encostas íngremes complicaram as medições de forma significativa.

#Incerteza nas Estimativas

Nós também criamos mapas de incerteza pra mostrar a confiabilidade das nossas estimativas de AGB. A incerteza foi relativamente baixa em ambas as regiões, indicando que nossos métodos produziram mapas confiáveis no geral. O LightGBM mostrou uma variabilidade ligeiramente maior nas suas estimativas, sugerindo que ele pode responder mais rapidamente a mudanças nos dados.

#Aplicação Além das Áreas de Estudo

Testamos nossos modelos em regiões próximas, mas diferentes, aplicando os mesmos métodos pra avaliar sua escalabilidade. Nossos resultados foram encorajadores. O LightGBM e a floresta aleatória mantiveram boa precisão, confirmando que nossa abordagem poderia funcionar em diferentes tipos e condições de florestas.

#Conclusão

Esse estudo destaca a eficácia de combinar dados de sensoriamento remoto com medições de campo locais pra criar mapas precisos de AGB. O LightGBM, em particular, se mostrou uma ferramenta forte pra esse propósito, fornecendo resultados rápidos e confiáveis.

Nossa pesquisa oferece insights valiosos sobre o mapeamento da biomassa florestal na China, abrindo caminho pra melhores práticas de manejo florestal e uma compreensão aprimorada do armazenamento de carbono. À medida que as tecnologias continuam a melhorar e mais dados se tornam disponíveis, esperamos avanços ainda maiores no monitoramento e gerenciamento eficaz dos recursos florestais.

#Direções Futuras

Seguindo em frente, novos estudos focando em melhorar a coleta de dados, especialmente em terrenos desafiadores, serão cruciais. Vamos também explorar maneiras de integrar fontes de dados mais diversas e modelos de aprendizado de máquina pra refinar nossas estimativas. Essa pesquisa em andamento é essencial enquanto trabalhamos pra enfrentar os desafios urgentes impostos pelas mudanças climáticas e seu impacto nos ecossistemas florestais globalmente.