Distribuição da Biomassa vegetal e sequestro de carbono na sub-bacia do Rio Pirajibu no município de Sorocaba/SP

Jaciely Gabriela Melo da Silva; José Alberto Quintanilha; Carlos Henrique Grohmann; Danilo Ribeiro da Costa; José Douglas Monteiro da Costa; José Mauro Santana da Silva

doi:10.26848/rbgf.v16.3.p1647-1656

Autores

Jaciely Gabriela Melo da Silva Universidade Federal de São Carlos - UFSCar
José Alberto Quintanilha Universidade de São Paulo, Brasil
Carlos Henrique Grohmann Universidade de São Paulo - USP
Danilo Ribeiro da Costa Universidade Federal de São Carlos - UFSCar
José Douglas Monteiro da Costa Universidade de São Paulo - USP
José Mauro Santana da Silva Universidade Federal de São Carlos - UFSCar

DOI:

https://doi.org/10.26848/rbgf.v16.3.p1647-1656

Palavras-chave:

biomassa, sensoriamento remoto, random forest, CO2Flux

Resumo

A estimativa de biomassa, com base em dados de sensoriamento desempenha um importante papel a respeito da quantificação da matéria vegetal, tanto de florestas primárias quanto de florestas secundárias ou fragmentadas. Por isso, o objetivo central deste trabalho é mostrar a distribuição da biomassa vegetal e o fluxo de carbono na sub-bacia do rio Pirajibu em Sorocaba/SP. Como objetivo específico classificar os níveis de biomassa de acordo com o algoritmo de aprendizado de máquina Random Forest. As classes escolhidas para o treinamento foram: “Muito alta biomassa”, “alta biomassa”, “média biomassa”, “baixa biomassa” e "muito baixa biomassa”. Foram obtidas 100 amostras de treinamento. A classificação supervisionada foi realizada pelo método Random Forest, com 10 árvores de decisão e 5.000 de variáveis que foram selecionadas e treinadas. A classe muito alta biomassa foi encontrada em 4.833,34 ha (10,52%), a classe alta foi identificada em 8.425,94 ha (18,34%), a classe média biomassa em 12.026,28 ha (26,18%), a baixa biomassa em 11.881,05 ha (25,87%) e muito baixa biomassa em 8.753,80 ha (19,06%). Foi avaliada a acurácia da classificação, a previsão de acurácia total chegou em 84%. Para o índice CO2Flux, se obteve os valores de -0,43 para as áreas sem vegetação (área urbana), valores na faixa de 0,19 a 0,23 representam áreas de pastagem mais degradadas e com solo exposto, já os maiores valores de fluxo de CO2 > 0,32 mostram uma maior concentração de estoque de carbono, são regiões com vegetação robusta e saudável. A distribuição da biomassa para as classes muito alta, alta e média pode ser ainda maior considerando outros reservatórios de carbono, como os reservatórios abaixo do solo.

Palavras-chave: biomassa, sensoriamento remoto, random forest, CO2Flux.

Plant biomass distribution and carbon sequestration in the Pirajibu River sub-basin in the municipality of Sorocaba/SP

A B S T R A C T

Biomass estimation, based on sensing data, plays an important role regarding the quantification of plant matter, both from primary forests and from secondary or fragmented forests. Therefore, the main objective of this work is to show the distribution of plant biomass and carbon flux in the Pirajibu River sub-basin in Sorocaba/SP. As a specific objective to classify the biomass levels according to the Random Forest machine learning algorithm. The classes chosen for training were: “Very high biomass”, “high biomass”, “medium biomass”, “low biomass” and “very low biomass”. 100 training samples were obtained. The supervised classification was performed by the Random method Forest, with 10 decision trees and 5,000 variables that were selected and trained. The very high biomass class was found in 4,833.34 ha (10.52%), the high class was identified in 8,425.94 ha (18.34%), middle class biomass in 12,026.28 ha (26.18%), low biomass in 11,881.05 ha (25.87%) and very low biomass in 8,753.80 ha (19.06% The classification accuracy was evaluated, the total accuracy forecast reached 84%. For the CO2Flux index, values of -0.43 were obtained for areas without vegetation (urban area), values in the range of 0.19 at 0.23 represent more degraded pasture areas with exposed soil, whereas the higher values of CO2 flux > 0.32 show a higher concentration of carbon stock, they are regions with robust and healthy vegetation. The biomass distribution for the very high, high, and medium classes can be even greater considering other carbon pools, such as the underground pools.

Keywords: biomass; remote sensing; random forest; CO2Flux.

Biografia do Autor

Jaciely Gabriela Melo da Silva, Universidade Federal de São Carlos - UFSCar

Bacharela em Gestão Ambiental formada pela Escola de Artes, Ciências e Humanidades (EACH) da Universidade de São Paulo e Pós graduada em Restauração Ambiental pela Universidade Federal de São Carlos (UFSCar). Foi estagiária da Secretária do Meio Ambiente do Estado de São Paulo, no Centro de Monitoramento e Avaliação de Programas e Projetos de Biodiversidade- CMAPPB, onde participou do desenvolvimento do módulo da adequação ambiental - Programa de Regularização Ambiental (PRA) do Estado de São Paulo e na atualização do sistema de Cadastro Ambiental Rural - CAR (SICAR SP). Atualmente é mestranda no Programa de Pós-Graduação em Planejamento e Uso de Recursos Renováveis - PPGPUR na Universidade Federal de São Carlos (UFSCar), o tema da pesquisa é: Quantificação de carbono em áreas de florestas nativas com uso de sensoriamento remoto (com foco em áreas de restauração por semeadura direta)

José Alberto Quintanilha, Universidade de São Paulo, Brasil

Bacharel em Estatística pelo Instituto de Matemática e Estatística da Universidade de São Paulo (1979), Mestre em Sensoriamento Remoto pelo Instituto Nacional de Pesquisas Espaciais (1988), Doutor e Livre-Docente em Engenharia de Transportes pela Universidade de São Paulo (1996 e 2005). Tem experiência em Geoprocessamento e Sensoriamento Remoto, atuando principalmente nos seguintes temas: qualidade de bases de dados para sistemas de informações geográficas; sensoriamento remoto orbital, geoprocessamento, análises estatísticas e geoestatísticas e classificação em imagens digitais com ênfase em aplicações urbanas, de transportes e ambientais. Tem interesse e pesquisa sobre segurança viária (acidentes viários; VRUs) e carsharing; acidentes naturais e serviços eco-sistêmicos. Atualmente é Professor Associado Sênior na Divisão Técnica de Gestão, Ciência e Tecnologia Ambiental do Instituto de Energia e Ambiente - IEE da Universidade de São Paulo e credenciado junto ao programa de Pós Graduação em Ciência Ambiental (PROCAM) do IEE/ USP. É pesquisador colaborador dos laboratórios ConnectCities do Departamento de Engenharia de Produção da EPUSP e Spatial Analysis and Modelling do IEE/USP e da Seção de Investigações, Riscos e Desastres Naturais do Centro de Tecnologias Geoambientais do Instituto de Pesquisas Tecnológicas do Estado de São Paulo S/A - IPT.

Carlos Henrique Grohmann, Universidade de São Paulo - USP

Carlos Grohmann is an Associate Professor of Geotechnologies at the Institute of Energy and Environment, University of São Paulo, Brazil (IEE-USP), and was with the Institute of Geosciences (IGc-USP - oct/2009 to feb/2014). He has a degree in Geology (BSc Hons, 2001), master's (MSc, 2002-2004) and PhD (2004-2008) in geotectonics from the same institution, with a cooperation fellowship at Kingston University London (2007). Is the Editor-in-Chief of the Brazilian Journal of Geology and an Associate Editor of Computers & Geosciences. He was the vice-chair of the International Society for Geomorphometry (ISG - 2015-2021) and the Finance Director of the Brazilian Geological Society (SBG - 2014-2019). Is associated with the Brazilian Geological Society (SBG), the Institute of Electrical and Electronics Engineers (IEEE), and the Society of Latin-american Specialists in Remote Sensing (Selper). His work focus on the following subjects: Digital Terrain Analysys (geomorphometry), Geographic Information Systems (GIS), free software (FOSS), remote sensing and karstic systems. Received the CAPES Award of 2009 for Best PhD Thesis (Geosciences).

Danilo Ribeiro da Costa, Universidade Federal de São Carlos - UFSCar

Danilo Ribeiro da Costa, Doutorado concluído no Programa de Pós-graduação em Planejamento e Uso de Recursos Renováveis e Mestre no programa de Pós-graduação de Engenharia de Sistemas Agrícolas, trabalhando com modelagem ambiental com avaliação multicritérios em ambiente SIG, conservação e gestão de recursos florestais, restauração florestal e ecologia, formado em Engenharia Florestal pela Universidade Federal de São Carlos, UFSCar, Campus Sorocaba. Foi docente na Universidade de Sorocaba, ministrando disciplinas de Topografia, Geoprocessamento, Manejo e Conservação do Solo e da Água, Recursos Florestais, Agroecologia e Silvicultura, Ecologia de Paisagens Naturais nos cursos de graduação em Eng. Agronômica, Eng. Ambiental, Eng. Civil, Arquitetura e Ciências Biológicas. Atualmente Eng. Florestal na Empresa Metropolitana de Águas e Energia (EMAE) responsável por manejo de vegetação, plantios e elaboração de parecer técnico e licenciamento ambiental e Pós-Doc na Universidade Federal de São Carlos trabalhando com inventário de Carbono em áreas de restauração e floresta plantada a partir de levantamtanto de campo e imagens de satélite.

José Douglas Monteiro da Costa, Universidade de São Paulo - USP

Possui graduação em Ciências Ambientais pela Universidade Federal do Amapá - UNIFAP (2017), graduação em andamento em Administração Pública pela Universidade Federal do Amapá - (2019), especialista em Geoprocessamento e Georreferenciamento pela Universidade Candido Mendes - UCAM (2018), mestrado em Ciências Ambientais pela Universidade Federal do Amapá (2020), Doutorando do Programa de Ciência Ambiental da Universidade de São Paulo - PROCAM/IEE/USP - (2021). Tem experiência na área de Ciências Ambientais, com ênfase em Licenciamento, Monitoramento e Fiscalização Ambiental; Sensoriamento Remoto e Geoprocessamento. Atualmente é servidor efetivo da Universidade do Estado do Amapá - UEAP e gerente de Licenciamento Ambiental de Obras Viárias - Secretaria de Estado de Transportes/SETRAP-AP.

José Mauro Santana da Silva, Universidade Federal de São Carlos - UFSCar

Possui graduação em Engenharia Florestal pela Universidade Federal de Viçosa (1993), formação científica em ecologia e entomologia (1994, 1995), mestrado em Ciências Florestais pela Universidade Federal de Viçosa (1998) e doutorado em Irrigação e Drenagem pela Unesp-Botucatu . Tenho experiência nas áreas de Recursos Florestais e Engenharia Florestal, com ênfase em Silvicultura, atuando principalmente nos seguintes temas: Floresta Tropical, Fisiologia Vegetal, Produção de Mudas e Silvicultura. Membro do LASEM- Laboratório de sementes e mudas. Coordenador do viveiro de produção de mudas do Departamento de Ciências Ambientais.

Referências

Almeida, J. R. R.; Rocha, K. S. 2018. Aplicação dos índices de vegetação NDVI, PRI, e CO2flux na caracterização da cobertura vegetativa da área de proteção ambiental Raimundo Irineu Serra. Anais 7º Simpósio de Geotecnologias no Pantanal, Jardim, MS. [online]. Disponível em: https://www.geopantanal.cnptia.embrapa.br/Anais-Geopantanal/pdfs/p151.pdf. Acesso em: 06 jul. 2022.

Baptista, G. M. M. 2003. Validação da Modelagem de sequestro de carbono para ambientes tropicais de cerrado, por meio de dados Aviris e Hyperion. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 11., Belo Horizonte. Anais. São José dos Campos: INPE, 2003. Artigos, p. 1037-1044. [online]. Disponível em: http://marte.dpi.inpe.br/col/ ltid.inpe.br/sbsr/2002/09.07.21.45/doc/10_002.pdf. Acesso em: 12 de jul.2022.

Belgiu, M.; DRăGUŃ, L. 2016. Random Forest in remote sensing: a review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, [S.L.], v. 114, p. 24-31, abr. Elsevier BV. [online]. Disponível em: http://dx.doi.org/10.1016/j.isprsjprs.2016.01.011. Acesso em: 12 de jul.2022.

Breiman, L. 2001. Random Forests. Machine Learning 45, 5–32. [online]. Disponível em: https://doi.org/10.1023/A:1010933404324. Acesso em: 12 de jul.2022.

Cao, L.; Coops, N. C.; Innes, J. L.; Sheppard, S. R. J.; Fu, L.; Ruan, H.; She, G. 2016. Estimation of forest biomass dynamics in subtropical forests using multi-temporal airborne LiDAR data. Remote Sensing of Environment, v. 178, p. 158-171.

Corrêa, C, J. P.; Tonello, K. C.; Franco, F. S. 2016. Análise hidroambiental da microbacia do Pirajibu-Mirim, Sorocaba, SP, Brasil. Ambiente e Água - An Interdisciplinary Journal Of Applied Science, v. 11, n. 4. Instituto de Pesquisas Ambientais em Bacias Hidrográficas (IPABHI). [online]. Disponível em: http://dx.doi.org/10.4136/ambi-agua.1969. Acesso em: 18 de jun.2022.

Cherlinka, Vasyl. 2020. NDVI FAQ: Tudo O Que você precisa saber sobre o índice. Disponível em: https://eos.com/pt/blog/ndvi-faq/. Acesso em: 21 out. 2022.

Dittmann, S.; Thiessen, E.; Hartung, E. 2017. Applicability of different non-invasive methods for tree mass estimation: A review. Forest Ecology and Management 398, 208-215.

Gamon, J. A.; Penuelas, J.; Field, C. B. A. 1992. narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency. Remote Sensing of Environment 41, 35-44.

Guerini Filho, M.; Kuplich, T. M.; Quadros, F. L. F. D. 2020. Estimating natural grassland biomass by vegetation indices using Sentinel 2 remote sensing data. International Journal of Remote Sensing 41, 2861-2876.

Huang, S.; Tang, L.; Hupy, J. P.; Wang, Y.; Shao, G. 2021. A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing. Journal of Forestry Research 32, 1-6.

INPE - Instituto Nacional de Pesquisas Espaciais. 2022. LANDSAT. Disponível em: http://www.dgi.inpe.br/documentacao/satelites/landsat. Acesso em: 16 jun. 2022.

IPCC. 2023. Climate Change 2023: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press. Disponível em: https://report.ipcc.ch/ar6syr/pdf/IPCC_AR6_SYR_SPM.pdf, Acesso em: 30 mar. 2023.

Koju, U.; Zhang, J.; Gilani, H. 2017. Exploring multi-scale forest above ground biomass estimation with optical remote sensing imageries. In: IOP Conference Series: Earth and Environmental Science. IOP Publishing, p. 012011.

Kumar, L.; Mutanga, 2017. O Remote sensing of above-ground biomass. Remote Sensing 9, 935.

Llano, X. C. .2022. AcATaMa - QGIS plugin for Accuracy Assessment of Thematic Maps, version 19.1. Disponível em: https://plugins.qgis.org/plugins/AcATaMa/.

Lu, D.; Chen, Q.; Wang, G.; Liu, L.; Li, G.; Moran, E. 2016. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems. International Journal of Digital Earth 9, 63-105.

Luo, S.; Wang, C.; Xi, X.; Nie, S.; Fan, X.; Chen, H.; Ma, D.; Liu, J.; Zou, J.; Lin, Y.; Zhou, G. 2019. Estimating Forest aboveground biomass using small-footprint full-waveform airborne LiDAR data. International Journal of Applied Earth Observation and Geoinformation 83, 101922.

Malhi, Y. 2012. The productivity metabolism and carbon cycle of tropical forest vegetation. Journal of Ecology 100, 65-75.

Mitchard, E. T. A. 2018. The tropical forest carbon cycle and climate change. Nature 559, 527-534.

Olofsson, Pontus; Foody, Giles M.; Herold, Martin; Stehman, Stephen V.; Woodcock, Curtis E.; Wulder, Michael. 2013. A Making better use of accuracy data in land change studies: Estimating accuracy and area and quantifying uncertainty using stratified estimation. Remote Sensing of Environment, 129, p. 122-131. Elsevier BV. [online]. Disponível: https://doi.org/10.1016/j.rse.2012.10.031. Acesso em: 18 de jun.2022.

Olofsson, Pontus; Foody, Giles M.; Herold, Martin; Stehman, Stephen V.; Woodcock, Curtis E. 2014. Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, v. 148, p. 42-57. Elsevier BV. [online]. Disponível em: http://dx.doi.org/10.1016/j.rse.2014.02.015. Acesso em: 18 de jun.2022.

Polônio, V. D. 2015. Índices de vegetação na mensuração do estoque de carbono em áreas com cana-de-açúcar. 73 f. Dissertação (mestrado). Botucatu. Universidade Estadual Paulista Júlio de Mesquita Filho, Faculdade de Ciências Agronômicas.

Polônio, V. D. 2015. Avaliação temporal do sequestro de carbono por meio de imagens orbitais na região de Botucatu-SP. Anais XVII Simpósio Brasileiro de Sensoriamento Remoto - SBSR, João Pessoa-PB, Brasil. [online]. Disponível em: http://www.dsr.inpe.br/sbsr2015/files/p0797.pdf. Acesso em: 06 jul. 2022.

Ponzoni, F. J.; Shimabukuro, Yosio Edemir. 2009. Sensoriamento Remoto no Estudo da Vegetação. 1ª edição. Parêntese. São José dos Campos.

Rahman, A.F.; Gamon, J.A.; Fuentes, D.A.; Roberts, D.; Prentiss, D.; Qiu, H. 2000. Modeling CO2 flux of boreal forests using narrow-band indices from AVIRIS imagery. AVIRIS Workshop, JPL/NASA, Pasadena, California.

Rouse, J.W.; Haas, R.H.; Schell, J.A.; Deering, D.W.1973. Monitoring vegetation systems in the great plains with ERTS. In Earth Resources Tecnology Satellite- 1 Symposium,3 Proceedings. 309-317.

SICAR. 2023. Consulta Pública. Disponível em: https://www.car.gov.br/publico/imoveis/index. Acesso em: 30 mar. 2023.

Silva, D. A. A. D.; Santi, A. L.; Santos, M. S. D.; Dal Bello, R. A. M.; Martini, R. T. 2015. Uso de Índice de Vegetação na Estimativa da Produção de Biomassa de Plantas de Coberturas do Solo. Enciclopédia Biosfera, v. 11, n. 22.

Silveira, P. 2010. Estimativa da biomassa e carbono acima do solo em um fragmento de floresta ombrófila densa utilizando o método da derivação do volume comercial. Floresta, 40, 4.

Su, H.; Shen, W.; Wang, J.; Ali, A.; Li, M. 2020. Machine learning and geostatistical approaches for estimating aboveground biomass in Chinese subtropical forests. Forest Ecosystems 7, 1-20.

Su, Y.; Guo, Q.; Xue, B.; Hu, T.; Alvarez, O.; Tao, S.; Fang, J. 2016. Spatial distribution of forest aboveground biomass in China: Estimation through combination of spaceborne lidar, optical imagery, and forest inventory data. Remote Sensing of Environment 173, 187-199.

Urbazaev, M.; Thiel, C.; Cremer, F.; Dubayah, R.; Migliavacca, M.; Reichstein, M.; Schmullius, C. , 2018. Estimation of forest aboveground biomass and uncertainties by integration of field measurements, airborne LiDAR, and SAR and optical satellite data in Mexico. Carbon Balance and Management 13, 1-20.

USGS - United States Geological Survey.2022. Using the USGS Landsat Level-1 Data Product. Disponível em: https://www.usgs.gov/landsat-missions/using-usgs-landsat-level-1-data-product. Acesso em: 15 de out. 2022.

Viganó, Heloise Amadori et al. 2011. Análise do desempenho dos Índices de Vegetação NDVI e SAVI a partir de imagem Aster. Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR. Disponível em: http://marte.sid.inpe.br/col/dpi.inpe.br/marte/2011/07.14.17.45/doc/p1364.pdf. Acesso em: 06 jul. 2022.

Yue, J.; Yang, G.; Tian, Q.; Feng, H.; Xu, K.; Zhou, C. 2019. Estimate of winter-wheat above-ground biomass based on UAV ultrahigh-ground-resolution image textures and vegetation indices. ISPRS Journal of Photogrammetry and Remote Sensing 150, 226-244.