Descrição
Palavras-chave: Sensoriamento Remoto, Aprendizado de Máquina, LiDAR.
A quantificação da densidade da biomassa acima do solo (do inglês, Aboveground Biomass Density, AGBD) é fundamental para compreender o estoque de carbono em ecossistemas, o ciclo de nutrientes e a biodiversidade. Essas informações são cruciais para o monitoramento de mudanças climáticas, como o sequestro de CO₂, o manejo florestal sustentável, a formulação de políticas ambientais e a avaliação do risco de incêndios. Este estudo teve como objetivo estimar a AGBD em um remanescente de Floresta Estacional Semidecidual secundária inserido em uma área de Mata Atlântica, combinando dados do sensor LiDAR GEDI com imagens Sentinel. O método consistiu em estimar o produto GEDI L4A a partir de variáveis contínuas derivadas dos sensores ópticos (HLS) e de radar (Sentinel-1). As etapas de processamento e modelagem foram realizadas por meio da integração entre o Google Colab e o Google Earth Engine, possibilitando a extração de métricas espectrais, índices de vegetação e o ajuste de modelos de regressão para estimativa da AGBD. A modelagem foi realizada por meio do algoritmo Random Forest e as predições foram validadas por meio da aplicação de equações alométricas nos dados de um inventário florestal realizado em 2017 na área de estudo. Os resultados demonstraram que a combinação dos sensores Sentinel-1C e Sentinel-2A, aliada aos dados de referência do GEDI, permitiu representar de forma consistente a variação espacial da biomassa acima do solo, além de evidenciar o potencial da integração entre sensores ópticos, de radar e dados LiDAR orbitais para o monitoramento florestal em larga escala.
Agradecimentos
Os autores agradecem o apoio financeiro da agência FAPEMIG.
| Selecione a modalidade do seu trabalho | Resumo Simples |
|---|
