Estimating and mapping forest variables of the Brazilian National Forest inventory to finer scales.

• Ano de defesa: 2018
• Autor(a) principal: DAVID, Hassan Camil
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Inventário florestal - Brasil; Dendrometria; Biomassa; Sensoriamento remoto; Carbono; Volume de madeira; Biomassa e carbono; Modelos derivados de dados de satélite; Wood volume; Biomass and carbon; Remote sensing; Satellite data-derived models
• Link de acesso: http://repositorio.ufra.edu.br/jspui/handle/123456789/829

Introdução: Brasil deu início recentemente ao seu Inventário Florestal Nacional (IFN) seguindo uma amostragem em larga escala de 1:100.000. Com isso, há uma crescente demanda em desagregar variáveis florestais a uma escala mais precisa, refinada. Objetivo: Com auxílio de dados de sensoriamento remoto, o objetivo deste trabalho foi testar dois métodos para estimar e mapear, a uma escala fina, componentes florestais como volume de madeira, biomassa e carbono. Métodos: O procedimento analítico é dividido em sete passos. Primeiro: coletar variáveis dendrométricas; dados de parcelas do IFN de três mesorregiões do estado do Paraná foram usados. Segundo: modelagem florestal; necessária para estimar variáveis ao nível da árvore, como volume de fuste, biomassa e carbono de árvores. Terceiro: cálculo do erro de amostragem e intervalo de confiança (IC) do IFN. Quarto: pré-processamento de imagens de satélite; foram usadas sete bandas do Landsat-8 OLI, portanto Número Digital (DN) foi transformado em reflectância da superfície (variável física). Quinto: classificação de imagens: classificações orientadas ao objeto foram efetuadas para delimitar classes de (i) florestas em estágio sucessional inicial e (ii) médioavançado. Sexto: modelagem a nível de pixel; dois métodos em escala fina foram testados para estimar variáveis florestais ao nível de pixel. O primeiro deles usa um Modelo de Reflectância da Superfície (MRS), que é um modelo linear que ajusta volume de madeira em função da reflectância de superfície de dados do Landsat-8 OLI, incluindo bandas do Vermelho, IFP, IFM1, IFM2, Brilho, e NDVI. O método de stepwise foi usado para selecionar as variáveis de reflectância. Componentes principais das variáveis selecionadas corresponderam às variáveis independentes. O segundo método é baseado na técnica geoestatística krigagem com regressão (KR), em que latitude e longitude foram as únicas variáveis independentes. O primeiro método (com MRS) foi aplicado ao volume florestal, biomassa e carbono. O segundo (com KR) foi aplicado ao volume florestal apenas. Sétimo: Volume florestal foi extrapolado a escalas ampla (sem técnicas de sensoriamento remoto) e fina (com tais técnicas), e então comparadas entre si. Resultados: O método com MRS teve um desempenho melhor que o método com KR, embora ambos forneceram, no geral, resultados próximos. O MRS estimou um volume médio de 123,8 m³ ha-1 e um total para a área de estudo de 210.961.589 m³. A KR estimou média de 115,7 m³ ha-1 e total de 203.326.674 m³, ou seja, 3,7% a menos que as estimativas do MRS. Em relação à biomassa florestal, o MRS estimou média e total de 120,1 Mg ha-1 e 217.736.862 Mg, respectivamente. Para o carbono, a média foi de 49,2 MgC ha-1 e total de 89.272.113 MgC, correspondendo a 327.331.082 Mg de CO2 equivalente estocado na área de estudo. O volume total estimado por ambos métodos de escala fina enquadramse no IC obtido a uma escala ampla. Conclusão: Apesar do MRS e KR terem sido capazes de produzir, no geral, estimativas precisas do volume de madeira, o MRS representou melhor espacialmente o volume de madeira. O MRS também estimou acuradamente biomassa e carbono florestal.