Uso das Geotecnologias na Estimativa de Biomassa e Carbono Florestal: Uma Revisão
DOI:
https://doi.org/10.26848/rbgf.v17.2.p1127-1146Resumo
As florestas tropicais são essenciais para a mitigação das mudanças climáticas, pois armazenam grandes quantidades de carbono na biomassa e na matéria orgânica do solo. Estudos utilizando dados de inventários florestais em modelos de interpolação geoestatística (krigagem) e sensoriamento remoto (imagens ópticas e radar de abertura sintética - SAR) têm revelado precisão satisfatória na estimativa da biomassa e carbono florestal. Frente à importância dessas ferramentas, o presente estudo teve como objetivo apresentar uma revisão que discorre sobre as aplicações das geotecnologias na estimativa de biomassa e carbono florestal. Estimativas mais precisas da biomassa e carbono florestal podem ser alcançadas quando a variabilidade espacial é levada em consideração. Fatores ambientais, como solo, relevo e clima, podem ser usados como preditores da distribuição espacial da biomassa e carbono florestal quando há uma relação entre essas variáveis e os diferentes tipos de vegetação, com o auxílio das geotecnologias. A krigagem, imagens de ópticas e de radar são geotecnologias que vêm auxiliando na modelagem de biomassa e carbono florestal, na construção de mapas de distribuição espacial, que podem ser utilizados como ferramentas para a orientação de políticas públicas, para inventários de emissões e estimativas de balanço de carbono, para determinar se o local atua como fonte ou sumidouro de carbono.
Downloads
Referências
Ahmad, A., Gilani, H., Ahmad, S. R., 2021. Forest Aboveground Biomass Estimation and Mapping through High-Resolution Optical Satellite Imagery—A Literature Review. Forests [online] 12. Disponível: https://doi.org/10.3390/f12070914. Acesso: 23 jun. 2022. DOI: https://doi.org/10.3390/f12070914
Ahmad, N., Ullah, S., Zhao, N., Mumtaz, F., Ali, A., Ali, A., Tariq, A., Kareem, M., Imran, A. B., Khan, I. A., Shakir, M., 2023. Comparative Analysis of Remote Sensing and Geo-Statistical Techniques to Quantify Forest Biomass. Forests, [online] 14. Disponível: https://doi.org/10.3390/f14020379. Acesso: 24 jan. 2024. DOI: https://doi.org/10.3390/f14020379
Arruda, H. B. O., 2018. Mapeamento das emissões de gases de efeito estufa em uma empresa do setor energético. Conexões-Ciência e Tecnologia [online] 12. Disponível: https://doi.org/10.21439/conexoes.v12i3.1148. Acesso: 05 jan. 2021. DOI: https://doi.org/10.21439/conexoes.v12i3.1148
Barni, P. E., Manzi, A. O., Condé, T. M., Barbosa, R. I., Fearnside, P. M., 2016. Spatial distribution of forest biomass in Brazil’s state of Roraima, northern Amazonia. Forest Ecology and Management [online] 377. Disponível: https://doi.org/10.1016/j.foreco.2016.07.010. Acesso: 15 ago. 2020. DOI: https://doi.org/10.1016/j.foreco.2016.07.010
Benitez, F. L., Anderson, L. O., Formaggio, A. R., 2016. Evaluation of geostatistical techniques to estimate the spatial distribution of aboveground biomass in the Amazon rainforest using high-resolution remote sensing data. Acta Amazonica [online] 46. Disponível: https://doi.org/10.1590/1809-4392201501254. Acesso: 20 ago. 2020. DOI: https://doi.org/10.1590/1809-4392201501254
Besen, M. R., Ribeiro, R. H., Monteiro, A. N. T. R., Iwasaki, G. S., Piva, J. T., 2018. Práticas conservacionistas do solo e emissão de gases do efeito estufa no Brasil. Scientia Agropecuaria [online] 9. Disponível: https://doi.org/ 10.17268/sci.agropecu.2018.03.15 . Acesso: 17 jun. 2020. DOI: https://doi.org/10.17268/sci.agropecu.2018.03.15
Büntgen, U., Krusic, P. J., Piermattei, A., Coomes, D. A., Esper, J., Myglan, V. S., Kirdyanov, A. V., Camarero, J. J., Crivellaro, A., Körner, C., 2019. Limited capacity of tree growth to mitigate the global greenhouse effect under predicted warming. Nature communications [online] 10. Disponível: https://doi.org/10.1038/s41467-019-10174-4. Acesso: 09 set. 2020. DOI: https://doi.org/10.1038/s41467-019-10174-4
Bourgoin, C., Blanc, L., Bailly, J. S., Cornu, G., Berenguer, E., Oszwald, J., Tritsch, I., Laurent, F., Hasan, A. F., Sist, P., Gond, V., 2018. The potential of multisource remote sensing for mapping the biomass of a degraded Amazonian forest. Forests [online] 09. Disponível: https://doi.org/10.1038/s41467-019-10174-4. Acesso: 14 out. 2021. DOI: https://doi.org/10.3390/f9060303
Cantero, D., Jara, R., Navarrete, A., Pelaz, L., Queiroz, J., Rodríguez-Rojo, S., Cocero, M. J., 2019. Pretreatment processes of biomass for biorefineries: current status and prospects. Annual review of chemical and biomolecular engineering, [online] 10. Disponível: https://doi.org/10.1146/annurev-chembioeng-060718-030354. Acesso: 17 fev. 2021. DOI: https://doi.org/10.1146/annurev-chembioeng-060718-030354
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 [online] 178. Disponível: https://doi.org/10.1146/annurev-chembioeng-060718-030354. Acesso: 03 mar. 2021. DOI: https://doi.org/10.1016/j.rse.2016.03.012
Costa, J. D. M., Distribuição espacial da biomassa florestal do Amapá. Dissertação (Mestrado). Programa de Pós-Graduação em Ciências Ambientais, Universidade Federal do Amapá.
Debastiani, A. B., Sanquetta, C. R., Corte, A. P. D., Rex, F. E., Pinto, N. S. Evaluating SAR-optical sensor fusion for aboveground biomass estimation in a Brazilian tropical forest. Annals of Forest Research, 62, 109-122, 2019. DOI: https://doi.org/10.15287/afr.2018.1267
Díaz, S., Malhi, Y. 2022. Biodiversity: Concepts, patterns, trends, and perspectives. Annual Review of Environment and Resources, [online] 47. Disponível: https://doi.org/10.1146/annurev-environ-120120-054300. Acesso: 24 jan. 2024. DOI: https://doi.org/10.1146/annurev-environ-120120-054300
Ding, L., Li, Z., Wang, X., Yan, R., Shen, B., Chen, B., Xin, X., 2019. Estimating Grassland Carbon Stocks in Hulunber China, Using Landsat8 Oli Imagery and Regression Kriging. Sensors [online] 19. Disponível: https://doi.org/10.3390/s19245374. Acesso: 19 abr. 2020. DOI: https://doi.org/10.3390/s19245374
Dittmann, S., Thiessen, E., Hartung, E., 2017. Applicability of different non-invasive methods for tree mass estimation: A review. Forest Ecology and Management [online] 398. Disponível: https://doi.org/10.1016/j.foreco.2017.05.013. Acesso: 21 abr. 2020. DOI: https://doi.org/10.1016/j.foreco.2017.05.013
Ehlers, D., Wang, C., Coulston, J., Zhang, Y., Pavelsky, T., Frankenberg, E., Woodcock, C., Song, C., 2022. Mapping forest aboveground biomass using multisource remotely sensed data. Remote Sensing [online] 14. Disponível: https://doi.org/10.3390/rs14051115. Acesso: 25 jan. 2024. DOI: https://doi.org/10.3390/rs14051115
Francini, S., D’Amico, G., Vangi, E., Borghi, C., Chirici, G., 2022. Integrating GEDI and Landsat: spaceborne lidar and four decades of optical imagery for the analysis of forest disturbances and biomass changes in Italy. Sensors [online] 22. Disponível: https://doi.org/10.3390/s22052015. Acesso: 25 jan. 2024. DOI: https://doi.org/10.3390/s22052015
Georgopoulos, N., Sotiropoulos, C., Stefanidou, A., Gitas, I. Z., 2022. Total Stem Biomass Estimation Using Sentinel-1 and-2 Data in a Dense Coniferous Forest of Complex Structure and Terrain. Forests, [online] 13. Disponível: https://doi.org/10.3390/f13122157. Acesso: 26 jan. 2024. DOI: https://doi.org/10.3390/f13122157
Gwenzi, D., Lefsky, M. A., 2017. Spatial modeling of Lidar-derived woody biomass estimates collected along transects in a heterogeneous savanna landscape. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing [online] 10. Disponível: https://doi.org/10.1109/JSTARS.2016.2582148Acesso: 02 nov. 2020. DOI: https://doi.org/10.1109/JSTARS.2016.2582148
Huang, H., Liu, C., Wang, X., Zhou, X., Gong, P., 2019. Integration of multi-resource remotely sensed data and allometric models for forest aboveground biomass estimation in China. Remote Sensing of Environment [online] 221. Disponível: https://doi.org/10.1016/j.rse.2018.11.017. Acesso: 05 nov. 2020. DOI: https://doi.org/10.1016/j.rse.2018.11.017
Huang, T., Ou, G., Wu, Y., Zhang, X., Liu, Z., Xu, H., Xu, X., Wang, Z., Xu, C., 2023. Estimating the Aboveground Biomass of Various Forest Types with High Heterogeneity at the Provincial Scale Based on Multi-Source Data. Remote Sensing, [online] 15. Disponível: https://doi.org/10.3390/rs15143550. Acesso: 26 jan. 2024. DOI: https://doi.org/10.3390/rs15143550
Hui, D., Deng, Q., Tian, H., Luo, Y. 2022. Global Climate Change and Greenhouse Gases Emissions in Terrestrial Ecosystems. In: Lackner, M., Sajjadi, B., Chen, W. Y. (Eds.). Handbook of Climate Change Mitigation and Adaptation. 3 Ed. Springer. DOI: https://doi.org/10.1007/978-3-030-72579-2_13
Jiang, F., Sun, H., Ma, K., Fu, L., Tang, J., 2022. Improving aboveground biomass estimation of natural forests on the Tibetan Plateau using spaceborne LiDAR and machine learning algorithms. Ecological Indicators [online] 143. Disponível: https://doi.org/10.1016/j.ecolind.2022.109365. Acesso: 26 jan. 2024. DOI: https://doi.org/10.1016/j.ecolind.2022.109365
Jurado-Expósito, M., Castro, A. I. D., Torres-Sánchez, J., Jiménez-Brenes, F. M., López-Granados, F., 2019. Papaver rhoeas L. mapping with cokriging using UAV imagery. Precision Agriculturev [online] 20. Disponível: https://doi.org/10.1007/s11119-019-09635-z. Acesso: 10 jan. 2021. DOI: https://doi.org/10.1007/s11119-019-09635-z
Karahan, G., Erşahin, S., 2018. Geostatistics in characterizing spatial variability of forest ecosystems. Eurasian Journal of Forest Science 6, 9-22.
Kaasalainen, S., Holopainen, M., Karjalainen, M., Vastaranta, M., Kankare, V., Karila, K., Osmanoglu, B., 2015. Combining lidar and synthetic aperture radar data to estimate forest biomass: status and prospects. Forests [online] 06. Disponível: https://doi.org/10.3390/f6010252. Acesso: 22 dez. 2020. DOI: https://doi.org/10.3390/f6010252
Kim, T. J., Bullock, B. P., Wijaya, A., 2016. Spatial interpolation of above-ground biomass in Labanan concession forest in East Kalimantan, Indonesia. Mathematical and Computational Forestry & Natural Resource Sciences 8, 26-38.
Knott, J. A., Liknes, G. C., Giebink, C. L., Oh, S., Domke, G. M., McRoberts, R. E., Quirino, V. F., Walters, B. F., 2023. Effects of outliers on remote sensing‐assisted forest biomass estimation: A case study from the United States national forest inventory. Methods in Ecology and Evolution 00, 1-16. DOI: https://doi.org/10.1111/2041-210X.14084
Kodong, F. R., Abdollah, M. F. B., Othman, M. F. I. B., 2023. Geostatistics and digital image analysis for optimizing rice production. Journal of Theoretical and Applied Information Technology 101, 5745-5758.
Kumar, K. K., Nagai, M., Witayangkurn, A., Kritiyutanant, K., Nakamura, S., 2016. Above ground biomass assessment from combined optical and SAR remote sensing data in Surat Thani Province, Thailand. Journal of Geographic Information System [online] 08. Disponível: https://doi.org/10.4236/jgis.2016.84042. Acesso: 15 mar. 2021. DOI: https://doi.org/10.4236/jgis.2016.84042
Latake, P. T., Pawar, P., Ranveer, A. C., 2015. The greenhouse effect and its impacts on environment. International Journal of Innovative Research and Creative Technology 1, 333-337.
Liu, C. A., Chen, Z. X., Shao, Y., Chen, J. S., Hasi, T., Pan, H. Z., 2019. Research advances of SAR remote sensing for agriculture applications: A review. Journal of integrative agriculture [online] 18. Disponível: https://doi.org/10.1016/S2095-3119(18)62016-7. Acesso: 20 abr. 2021. DOI: https://doi.org/10.1016/S2095-3119(18)62016-7
Lima, L. F. D., Pelissari, A. L., Figueiredo Filho, A., 2017. Modelagem geoestatística da biomassa do fuste de Araucaria angustifolia em remanescente de floresta ombrófila mista. Agrarian Academy [online] 4. Disponível: https://doi.org/10.18677/AGRARIAN_ACADEMY_2017B19. Acesso: 19 abr. 2021. DOI: https://doi.org/10.18677/Agrarian_Academy_2017b19
Li, L., Zhou, B., Liu, Y., Wu, Y., Tang, J., Xu, W., Wang, L., Ou, G., 2023. Reduction in Uncertainty in Forest Aboveground Biomass Estimation Using Sentinel-2 Images: A Case Study of Pinus densata Forests in Shangri-La City, China. Remote Sensing [online] 15. Disponível: https://doi.org/10.3390/rs15030559. Acesso: 26 jan. 2024. DOI: https://doi.org/10.3390/rs15030559
Li, W., Niu, Z., Liang, X., Li, Z., Huang, N., Gao, S., Wang, C., Muhammad, S., 2015. Geostatistical modeling using LiDAR-derived prior knowledge with SPOT-6 data to estimate temperate forest canopy cover and above-ground biomass via stratified random sampling. International Journal of Applied Earth Observation and Geoinformation [online] 41. Disponível: https://doi.org/10.1016/j.jag.2015.04.020. Acesso: 25 abr. 2021. DOI: https://doi.org/10.1016/j.jag.2015.04.020
Lochhead, K., Lemay, V., Bull, G., Schwab, O., Halperin, J., 2018. Multivariate estimation for accurate and logically consistent forest-attributes maps at macroscales. Canadian Journal of Forest Research [online] 4. Disponível: https://doi.org/10.1139/cjfr-2017-0221. Acesso: 19 abr. 2020. DOI: https://doi.org/10.1139/cjfr-2017-0221
Maschler, J., Bialic-Murphy, L., Wan, J., Andresen, L. C., Zohner, C. M., Reich, P. B., Luscher, A., Schneider, M. K., Müller, C., Moser, G., Duques, J. S., Schmidt, I. K., Bilton, M. C., Zhu, K., Crowther, T. W., 2022. Links across ecological scales: Plant biomass responses to elevated CO2. Global change biology [online] 28. Disponível: https://doi.org/10.1111/gcb.16351. Acesso: 24 jan. 2024. DOI: https://doi.org/10.1111/gcb.16351
Mikhaylov, A., Moiseev, N., Aleshin, K., Burkhardt, T., 2020. Global climate change and greenhouse effect. Entrepreneurship and Sustainability Issues [online] 7. Disponível: https://doi.org/10.9770/jesi.2020.7.4(21). Acesso: 24 mar. 2021. DOI: https://doi.org/10.9770/jesi.2020.7.4(21)
Meng, S., Pang, Y., Zhang, Z., Jia, W., Li, Z., 2016. Mapping aboveground biomass using texture indices from aerial photos in a temperate forest of Northeastern China. Remote Sensing [online] 8. Disponível: https://doi.org/10.3390/rs8030230. Acesso: 24 jun. 2021. DOI: https://doi.org/10.3390/rs8030230
Migolet, P., Goïta, K., Pambo, A. F. K., Mambimba, A. N., 2022. Estimation of the total dry aboveground biomass in the tropical forests of Congo Basin using optical, LiDAR, and radar data. GIScience & Remote Sensing 59, 431-460. DOI: https://doi.org/10.1080/15481603.2022.2026636
Mohd Zaki, N. A., Abd Latif, Z., 2017. Carbon sinks and tropical forest biomass estimation: a review on role of remote sensing in aboveground-biomass modelling. Geocarto International [online] 32. Disponível: https://doi.org/10.1080/10106049.2016.1178814. Acesso: 13 fev. 2020. DOI: https://doi.org/10.1080/10106049.2016.1178814
Monteith, A. R., Ulander, L. M. H., 2021. Temporal characteristics of P-band tomographic radar backscatter of a boreal forest. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing [online] 14. Disponível: https://doi.org/10.1109/JSTARS.2021.3050611. Acesso: 2 ago. 2020. DOI: https://doi.org/10.1109/JSTARS.2021.3050611
Moradi, F., Darvishsefat, A. A., Pourrahmati, M. R., Deljouei, A., Borz, S. A., 2022. Estimating aboveground biomass in dense Hyrcanian forests by the use of Sentinel-2 data. Forests [online] 13. Disponível: https://doi.org/10.3390/f13010104. Acesso: 25 jan. 2024. DOI: https://doi.org/10.3390/f13010104
Narvaes, I. D. S., Santos, J. R. D., Conceição Bispo, P. D., Alencastro Graça, M. D., Guimarães, U. S., Gama, F. F., 2023. Estimating Forest Above-Ground Biomass in Central Amazonia Using Polarimetric Attributes of ALOS/PALSAR Images. Forests [online] 14. Disponível: https://doi.org/10.3390/f14050941. Acesso: 26 jan. 2024. DOI: https://doi.org/10.3390/f14050941
Paul, S. S., Coops, N. C., Johnson, M. S., Krzic, M., Smukler, S. M., 2019. Evaluating sampling efforts of standard laboratory analysis and mid-infrared spectroscopy for cost effective digital soil mapping at field scale. Geoderma [online] 356. Disponível: https://doi.org/10.1016/j.geoderma.2019.113925. Acesso: 12 set. 2020. DOI: https://doi.org/10.1016/j.geoderma.2019.113925
Pereira, L. O., Furtado, L. F. A., Novo, E. M. L. M., Sant’ana, S. J. S., Liesenberg, V., Silva, T. S. F. Multifrequency and full-polarimetric SAR assessment for estimating above ground biomass and Leaf Area Index in the Amazon Várzea Wetlands. Remote Sensing [online] 10. Disponível: https://doi.org/10.3390/rs10091355. Acesso: 10 set. 2020. DOI: https://doi.org/10.3390/rs10091355
Ploton, P., Barbier, N., Couteron, P., Antin, C. M., Ayyappan, N., Balachandran, N., Barathan, N., Bastin, J. F., Chuyong, G., Dauby, G., Droissart, V., Gastellu-Etchegorry, J. P., Kamdem, N. G., Kenfack, D., Libalah, M., Mofack II, G., Momo, S. T., Pargal, S., Petronelli, P., Proisy, C., Réjou-Méchain, M., Sonké, B., Texier, N., Thomas, D., Verley, P., Zebaze Dongmo, D., Berger, U., Pélissier, R., 2017. Toward a general tropical forest biomass prediction model from very high resolution optical satellite images. Remote sensing of environment [online] 200. Disponível: https://doi.org/10.1016/j.rse.2017.08.001. Acesso: 18 jul. 2021. DOI: https://doi.org/10.1016/j.rse.2017.08.001
Rocha, S. S., Pitombo, C. S., Salgueiro, A. R., 2016. Interpolação espacial de viagens urbanas por transporte coletivo através de amostra sistemática desagregada artificial. Revista Brasileira de Cartografia [online] 68. Disponível: https://doi.org/10.14393/rbcv68n4-44277. Acesso: 22 nov. 2020. DOI: https://doi.org/10.14393/rbcv68n4-44277
Rocha, W. D. O., Pereira, A. M., Silva, A. E. D., Fraga, J. A., 2017. Estimativa de biomassa vegetal e sequestro de carbono no Parque Natural Municipal Flor do Ipê, Várzea Grande, MT. Multitemas, [online] 22. Disponível: https://doi.org/10.20435/multi.v22i51.1284. Acesso: 12 nov. 2020. DOI: https://doi.org/10.20435/multi.v22i51.1284
Rodríguez-Veiga, P., Saatchi, S., Tansey, K., Balzter, H., 2016. Magnitude, spatial distribution and uncertainty of forest biomass stocks in Mexico. Remote Sensing of Environment 183, 265-281. DOI: https://doi.org/10.1016/j.rse.2016.06.004
Rudel, T. K., 2017. The dynamics of deforestation in the wet and dry tropics: a comparison with policy implications. Forests 8, 108. DOI: https://doi.org/10.3390/f8040108
Salgado, A. P., Pimentel, L. A. D. S., Oliveira, M. M. B. D., Novi, J. C., 2017. O impacto nas variações das matrizes energéticas e uso da terra: estudo sobre a eficiência ambiental do G20. REAd. Revista Eletrônica de Administração (Porto Alegre) 23, 306-332. DOI: https://doi.org/10.1590/1413.2311.013.62781
Santi, E., Paloscia, S., Pettinato, S., Fontanelli, G., Mura, M., Zolli, C., Maselli, F., Chiesi, M., Bottai, L., Chirici, G., 2017. The potential of multifrequency SAR images for estimating forest biomass in Mediterranean areas. Remote Sensing of Environment 200, 63-73. DOI: https://doi.org/10.1016/j.rse.2017.07.038
Santoro, M., Cartus, O., 2018. Research pathways of forest above-ground biomass estimation based on SAR backscatter and interferometric SAR observations. Remote Sensing, 10, 608. DOI: https://doi.org/10.3390/rs10040608
Scolforo, H. F., Scolforo, J. R. S., Mello, J. M. D., Mello, C. R. D., Morais, V. A., 2016. Spatial interpolators for improving the mapping of carbon stock of the arboreal vegetation in Brazilian biomes of Atlantic forest and Savanna. Forest Ecology and Management 376, 24-35. DOI: https://doi.org/10.1016/j.foreco.2016.05.047
Sharifi, A., Amini, J., 2015. Forest biomass estimation using synthetic aperture radar polarimetric features. Journal of Applied Remote Sensing [online] 82. Disponível: https://doi.org/10.14358/PERS.83.1.41. Acesso: 8 out. 2021. DOI: https://doi.org/10.1117/1.JRS.9.097695
Sharma, P., Leigh, L., Chang, J., Maimaitijiang, M., Caffé, M., 2022. Above-ground biomass estimation in oats using UAV remote sensing and machine learning. Sensors [online] 22. Disponível: https://doi.org/10.3390/s22020601. Acesso: 26 jan. 2024. DOI: https://doi.org/10.3390/s22020601
Shao, Z., Zhang, L., 2016. Estimating forest aboveground biomass by combining optical and SAR data: a case study in Genhe, Inner Mongolia, China. Sensors [online] 16. Disponível: https://doi.org/10.3390/s16060834. Acesso: 23 ago. 2021. DOI: https://doi.org/10.3390/s16060834
Shao, Z., Zhang, L., Wang, L., 2017. Stacked sparse autoencoder modeling using the synergy of airborne LiDAR and satellite optical and SAR data to map forest above-ground biomass. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 10, 569-5582. DOI: https://doi.org/10.1109/JSTARS.2017.2748341
Shi, L., Liu, S., 2017. Methods of estimating forest biomass: A review. In: TUMULURU, J. S. (Ed.). Biomass volume estimation and valorization for energy. BoD–Books on Demand. DOI: https://doi.org/10.5772/65733
Singh, C., Karan, S. K., Sardar, P., Samadder, S. R., 2022. Remote sensing-based biomass estimation of dry deciduous tropical forest using machine learning and ensemble analysis. Journal of Environmental Management [online] 308. Disponível: https://doi.org/10.1016/j.jenvman.2022.114639. Acesso: 26 jan. 2024. DOI: https://doi.org/10.1016/j.jenvman.2022.114639
Sinha, S., Jeganathan, C., Sharma, L. K., Nathawat, M. S., 2015. A review of radar remote sensing for biomass estimation. International Journal of Environmental Science and Technology 12, 1779-1792. DOI: https://doi.org/10.1007/s13762-015-0750-0
Sodré, C. F. L., Silva, Y. J. A. D., Monteiro, I. P., 2016. Acidificação dos Oceanos: fenômeno, consequências e necessidades de uma governança ambiental global. Revista Cientifica do Centro de Estudos em Desenvolvimento Sustentável da UNB 1.
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 [online] 7. Disponível: https://doi.org/10.1186/s40663-020-00276-7. Acesso: 25 jul. 2021. DOI: https://doi.org/10.1186/s40663-020-00276-7
Su, Y., Guo, Q., Xue, B., Hu, T., Alvarez, O., TAO, S., Fang, J. Spatial distribution of forest aboveground biomass in China: Estimation through combination of spaceborne lidar, optical imagery, and forest inventory data. Remote Sensing of Environment [online] 173. Disponível: https://doi.org/10.1016/j.rse.2015.12.002. Acesso: 13 mar. 2021. DOI: https://doi.org/10.1016/j.rse.2015.12.002
Tamiminia, H., Salehi, B., Mahdianpari, M., Beier, C. M., Johnson, L., 2022. Mapping two decades of New York State forest aboveground biomass change using remote sensing. Remote Sensing [online] 14. Disponível: https://doi.org/10.3390/rs14164097. Acesso: 26 jan. 2024. DOI: https://doi.org/10.3390/rs14164097
Temesgen, H., Hoef, J. M. V., 2015. Evaluation of the spatial linear model, random forest and gradient nearest-neighbour methods for imputing potential productivity and biomass of the Pacific Northwest forests. Forestry: An International Journal of Forest Research [online] 88. Disponível: https://doi.org/10.1093/forestry/cpu036. Acesso: 27 out. 2021. DOI: https://doi.org/10.1093/forestry/cpu036
Tian, L., Wu, X., Tao, Y., Li, M., Qian, C., Liao, L., Fu, W., 2023. Review of Remote Sensing-Based Methods for Forest Aboveground Biomass Estimation: Progress, Challenges, and Prospects. Forests 14, 1086. DOI: https://doi.org/10.3390/f14061086
Turgut, R., Günlü, A., 2020. Estimating aboveground biomass using Landsat 8 OLI satellite image in pure Crimean pine (Pinus nigra JF Arnold subsp. pallasiana (Lamb.) Holmboe) stands: a case from Turkey. Geocarto International 37, 720-734. DOI: https://doi.org/10.1080/10106049.2020.1737971
Turton, A. E., Augustin, N. H., Mitchard, E. T. A., 2022. Improving estimates and change detection of forest above-ground biomass using statistical methods. Remote Sensing [online] 14. Disponível: https://doi.org/10.3390/rs14194911. Acesso: 25 jan. 2024. DOI: https://doi.org/10.3390/rs14194911
Tymothy, D., Onisimo, M., Cletah, S., Adelabu, S., Tsitsi, B., 2016. Remote sensing of aboveground forest biomass: A review. Tropical Ecology 57, 125-132.
Veronesi, F., Schillaci, C., 2019. Comparison between geostatistical and machine learning models as predictors of topsoil organic carbon with a focus on local uncertainty estimation. Ecological Indicators [online] 101. Disponível: https://doi.org/10.1016/j.ecolind.2019.02.026. Acesso: 07 out. 2022. DOI: https://doi.org/10.1016/j.ecolind.2019.02.026
Wai, P., Su, H., Li, M., 2022. Estimating aboveground biomass of two different forest types in myanmar from sentinel-2 data with machine learning and geostatistical algorithms. Remote Sensing, [online] 14. Disponível: https://doi.org/10.3390/rs14092146. Acesso: 24 jan. 2024. DOI: https://doi.org/10.3390/rs14092146
Wang, J., Du, H., Li, X., Mao, F., Zhang, M., Liu, E., Ji, J., Kang, F., 2021. Remote Sensing Estimation of Bamboo Forest Aboveground Biomass Based on Geographically Weighted Regression. Remote Sensing [online] 13. Disponível: https://doi.org/10.3390/rs13152962. Acesso: 07 out. 2022. DOI: https://doi.org/10.3390/rs13152962
Wang, J., Xiao, X., Bajgain, R., Starks, P., Steiner, J., Doughty, R. B., Chang, Q., 2019. Estimating leaf area index and aboveground biomass of grazing pastures using Sentinel-1, Sentinel-2 and Landsat images. ISPRS Journal of Photogrammetry and Remote Sensing [online] 154. Disponível: https://doi.org/ 10.1016/j.isprsjprs.2019.06.007. Acesso: 26 out. 2020. DOI: https://doi.org/10.1016/j.isprsjprs.2019.06.007
Wang, S., Liu, C., Li, W., Jia, S., Yue, H., 2023. International Journal of Applied Earth Observation and Geoinformation [online] 122. Disponível: https://doi.org/10.1016/j.jag.2023.103431. Acesso: 25 jan. 2023. DOI: https://doi.org/10.1016/j.jag.2023.103431
Wang, Y., Yue, T., Lei, Y., Du, Z., Zhao, M., 2016. Uncertainty of forest biomass carbon patterns simulation on provincial scale: a case study in Jiangxi Province, China. Journal of Geographical Sciences [online] 26. Disponível: https://doi.org/10.1007/s11442-016-1286-z. Acesso: 25 out. 2020. DOI: https://doi.org/10.1007/s11442-016-1286-z
Yadav, B. K. V., Nandy, S., 2015. Mapping aboveground woody biomass using forest inventory, remote sensing and geostatistical techniques. Environmental Monitoring and Assessment [online] 187. Disponível: https://doi.org/10.1007/s10661-015-4551-1. Acesso: 25 out. 2020. DOI: https://doi.org/10.1007/s10661-015-4551-1
Yang, Q., Su, Y., Hu, T., Jin, S., Liu, X., Niu, C., Liu, Z., Kelly, M., Wei, J., Guo, Q., 2022. Allometry-based estimation of forest aboveground biomass combining LiDAR canopy height attributes and optical spectral indexes. Forest Ecosystems, [online] 9. Disponível: https://doi.org/10.1016/j.fecs.2022.100059. Acesso: 25 jan. 2024. DOI: https://doi.org/10.1016/j.fecs.2022.100059
Yu, Y., Pan, Y., Yang, X., Wenyi, F., 2022. Spatial scale effect and correction of forest aboveground biomass estimation using remote sensing. Remote Sensing [online] 14. Disponível: https://doi.org/10.3390/rs14122828. Acesso: 25 jan. 2024. DOI: https://doi.org/10.3390/rs14122828
Zaki, N. A. M., Asri, A. M., Zulkiflee, N. I. M., Latif, Z. A., Razak, T. R., Suratman, M. N., 2023. Assessment of Forest Aboveground Biomass Estimation from SuperView-1 Satellite Image Using Machine Learning Approaches. In: Concepts and Applications of Remote Sensing in Forestry. Singapore: Springer Nature Singapore, 115-133. DOI: https://doi.org/10.1007/978-981-19-4200-6_6
Zhao, J., Zhao, L., Chen, E., Li, Z., Xu, K., Ding, X., 2022. An improved generalized hierarchical estimation framework with geostatistics for mapping forest parameters and its uncertainty: a case study of forest canopy height. Remote
Sensing [online] 14. Disponível: https://doi.org/10.3390/rs14030568. Acesso: 25 jan. 2024. DOI: https://doi.org/10.3390/rs14030568
Zheng, C., Abd-Elrahman, A., Whitaker, V., Dalid, C., 2022. Prediction of Strawberry Dry Biomass from UAV Multispectral Imagery Using Multiple Machine Learning Methods. Remote Sensing [online] 14. Disponível: https://doi.org/10.3390/rs14184511. Acesso: 24 jan. 2024. DOI: https://doi.org/10.3390/rs14184511
Zhu, Y., Liu, K., Myint, S. W., Du, Z., Li, Y., Cao, J., Liu, L., Wu, Z. 2020. Integration of GF2 optical, GF3 SAR, and UAV data for estimating aboveground biomass of China’s largest artificially planted mangroves. Remote Sensing [online] 12. Disponível: https://doi.org/10.3390/rs12122039. Acesso: 03 dez. 2021. DOI: https://doi.org/10.3390/rs12122039
Zhu, X., Liu, D., 2015. Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series. ISPRS Journal of Photogrammetry and Remote Sensing [online] 102. Disponível: https://doi.org/10.1016/j.isprsjprs.2014.08.014. Acesso: 15 nov. 2021. DOI: https://doi.org/10.1016/j.isprsjprs.2014.08.014
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 José Douglas Monteiro da Costa, José Alberto Quintanilha
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam na Revista Brasileira de Geografia Física concordam com os seguintes termos:
Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0) que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (exemplo: depositar em repositório institucional ou publicar como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
Autores têm permissão para disponibilizar seu trabalho online antes ou durante o processo editorial, em redes sociais acadêmicas, repositórios digitais ou servidores de preprints. Após a publicação na Revista Brasileira de Geografia Física, os autores se comprometem a atualizar as versões preprint ou pós-print do autor, nas plataformas onde foram originalmente disponibilizadas, informando o link para a versão final publicada e outras informações relevantes, com o reconhecimento da autoria e da publicação inicial nesta revista.
Qualquer usuário tem direito de:
Compartilhar — copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial.
Adaptar — remixar, transformar e criar a partir do material para qualquer fim, mesmo que comercial.
O licenciante não pode revogar estes direitos desde que você respeite os termos da licença.
De acordo com os termos seguintes:
Atribuição — Você deve dar o crédito apropriado, prover um link para a licença e indicar se mudanças foram feitas. Você deve fazê-lo em qualquer circunstância razoável, mas de nenhuma maneira que sugira que o licenciante apoia você ou o seu uso.
Sem restrições adicionais — Você não pode aplicar termos jurídicos ou medidas de caráter tecnológico que restrinjam legalmente outros de fazerem algo que a licença permita.
