Efeito das mudanças no padrão de precipitação na área total e biomassa da Mata Atlântica e Caatinga

• Ano de defesa: 2024
• Autor(a) principal: Monteiro Junior, Jose Jorge
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Caatinga; Climate change; GEDI; Mudança do clima; Remote sensing; Sensoriamento remoto
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/11/11150/tde-10122024-103914/

Este estudo investiga o papel crucial do Sensor de Global Ecosystem Dynamics Investigation (GEDI) na caracterização do perfil vertical da vegetação em Florestas Tropicais Sazonalmente Secas (FTSS) e na distinção entre as zonas de transição Mata Atlântica-Caatinga, mostrando que variações de precipitação geram respostas significativas na estrutura da vegetação, detectáveis e quantificáveis pelas métricas do GEDI; a relação entre as mudanças nos padrões de precipitação (\"dança das isoetas\") e a perda de biomassa florestal é evidente nas zonas de Mata Atlântica e Caatinga em Pernambuco, influenciando o sequestro de carbono e revelando impactos potenciais das mudanças climáticas, sendo essencial compreender essa interação para prever as implicações das mudanças climáticas na vegetação das FTSS ao longo do tempo. A metodologia envolveu três etapas principais: coleta de dados GEDI da plataforma Earthdata da NASA para a região do Parque Nacional do Catimbau e Mata Atlântica Pernambucana, nos anos de 2020 a 2022, processados utilizando o pacote rGEDI no software R; pré-processamento dos dados GEDI, incluindo a geolocalização das formas de onda (L1A), identificação da elevação do terreno e da altura do topo da copa (L2A), e cálculo de métricas da copa e do perfil vertical da folhagem (L2B); e análise estatística geoespacial para as métricas RH100 (altura relativa) e PAI (Índice de Área da Planta), analisadas em termos de valores máximos, mínimos, média e desvio padrão; além disso, foram utilizadas imagens dos satélites Sentinel-1 e Sentinel-2 para predição de biomassa através de machine learning no Google Earth Engine, com variáveis preditivas incluindo bandas de polarização VV e VH, elevação do terreno, declividade, e cobertura de árvores do WorldCover. Os resultados indicam que os dados do GEDI são úteis para analisar a estrutura da vegetação em diferentes contextos climáticos, com variações na biomassa de 5,9 a 22,4 Mgha-1 de acordo com a literatura e refletindo a influência da precipitação, com maiores valores de biomassa nas áreas costeiras e menores no interior; para pesquisas futuras, recomenda-se a aplicação de índices de vegetação para prever a biomassa nessas regiões, evitando a necessidade de etapas adicionais de aquisição de dados sobre a vegetação, além do desenvolvimento de modelos de predição de biomassa baseados em dados de precipitação, com este estudo fornecendo a base para tais modelos.