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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Rudel, T. K., 2017. The dynamics of deforestation in the wet and dry tropics: a comparison with policy implications. Forests 8, 108.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Revista Brasileira de Geografia Física
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.
