Steam explosions

Para Jensen (2016), as técnicas de sensoriamento remoto têm sido amplamente utilizadas em aplicações e estudos na área florestal, em que se destacam os trabalhos que visam quantificar variáveis biofísicas. A utilização de imagens de satélite constitui-se em um método indireto e não destrutivo, podendo-se estimar variáveis biofísicas (biomassa, carbono, volume de madeira), pelas propriedades espectrais da vegetação que a constitui. Segundo o mesmo autor,

apesar da viabilização das imagens, sua utilização quanto à quantificação de biomassa florestal ainda é pouco conhecida, principalmente em florestas heterogêneas, devido às mesmas terem uma grande diversidade florística, fisionômica e fenológica, bem como a disponibilidade de levantamentos de dados em campo coincidirem com a mesma data de coleta da imagem.

Um dos primeiros trabalhos no Brasil que utilizaram imagens de satélite em análise de vegetação foi realizado por Santos (1988), o qual estudou a biomassa acima do solo da vegetação de Cerrado, correlacionados com dados do sensor Thematic Mapper (TM) do satélite Landsat. O objetivo principal deste trabalho foi avaliar a relação entre a biomassa foliar do Cerrado stricto sensu e os índices de vegetação (razão simples, razão normalizada e transformada). Os resultados evidenciaram que a banda 3 (vermelho) apresentou melhor correlação com a biomassa foliar quando comparada com as outras bandas, sendo que os modelos linear e exponencial não diferiram significativamente quanto ao ajuste.

Na Amazônia brasileira, Lu et al. (2004), avaliaram a relação espectral dos dados Landsat 5 TM com as variáveis altura média, diâmetro médio, área basal e biomassa aérea da floresta. Os autores observaram que existem correlações entre as bandas espectrais e as variáveis estudadas, e baixa correlação entre os índices de vegetação na região do infravermelho próximo e região do vermelho, e melhores correlações com as variáveis estudadas quando utilizaram a banda espectral do infravermelho médio.

Para investigar o potencial dos dados do sensor ALOS AVNIR-2 na estimação de biomassa em uma região montanhosa e subtropical de Hong Kong, China, Sarker e Nichol (2011), utilizaram quatro tipos diferentes de técnicas de processamento de imagem, que incluiu a banda espectral simples, índices de vegetação, métricas de textura e relação de métricas de textura. Modelos de regressão linear múltipla foram desenvolvidos entre dados de biomassa e informações da imagem. Os resultados indicaram que a relação de banda simples e os índices de vegetação comumente utilizados têm um potencial relativamente baixo para a estimativa de biomassa (R2= 0,58 e RQME = 64 t ha-1). No entanto, as métricas de textura de bandas espectrais foram considerados eficazes para a estimação da biomassa (R2= 0,88 e RQME = 32 t ha-1).

Em um trabalho na Floresta Estacional Semidecidual, Ferraz et al. (2014), utilizaram uma imagem IKONOS II para estimar biomassa aérea e carbono estocado, para isto, foram avaliados bandas espectrais e índices de vegetação. Para a estimação da biomassa total com o uso da variável na banda do infravermelho próximo foi obtido R2 de 0,35, e com o uso da variável TCap1 o R2= 0,46. O TCap é uma transformação Tasseled Cap que incluem dentro das várias maneiras de se modelar os pixels presentes em uma imagem multiespectral para estimativas de variáveis da vegetação outras bandas espectrais, além das bandas do infravermelho próximo e do vermelho, buscando melhorar o conteúdo da informação espectral dos dados das imagens (KAUTH; THOMAS, 1976). Em relação ao estoque de carbono, a variável na banda do infravermelho próximo foi encontrado um R2= 0,35 e para a variável TCap1 um R2= 0,47.

Na Caatinga brasileira, dados provenientes do satélite Landsat 5 TM para estimar as variáveis altura média, área basal e volume de madeira, foram correlacionados com as bandas espectrais e índices de vegetação. A técnica utilizada teve potencial explicativo para a variação em altura média por parcela (R2 = 0,40 e RQME = 13%) e para o volume de madeira por hectare (R2 = 0,60 e RQME = 42%). Somente a área basal não apresentou correlação significativa com nenhuma das variáveis analisadas (ALMEIDA et al., 2014).

Em pesquisa realizada em florestas estatais da unidade de manejo de Borovača, localizadas na parte Sub-mediterrânica da Croácia, Balenović et al. (2015), desenvolveram modelos para a previsão do DAP, volume da árvore e biomassa aérea do Pinus nigra Arn. Oito variáveis obtidas com base em medições de campo, banco de dados existentes e modelo digital do terreno foram utilizadas como variáveis independentes na análise de regressão, e encontraram R² de 0,83 (DAP); 0,89 (volume da árvore) e 0,82 (biomassa aérea). Os resultados mostraram que os modelos podem ser utilizados no inventário à base de detecção remota, para estimar variáveis da vegetação.

Em uma área de Cerradão, Miguel et al. (2015), exploraram as relações entre índices de vegetação obtidos por meio de dados do sensor LISS-III (“Linear Imaging Self-Scanner”), a bordo do satélite ResourceSat1 e da área basal, na estimação do volume de madeira e biomassa aérea e, observaram que, as variáveis independentes utilizadas, tanto pela técnica de regressão quanto pelo uso das RNA

foram eficientes na estimação das variáveis. Para a regressão, o volume de madeira foi estimado com R² de 0,92 e Syx de 11,92% e para a biomassa R² de 0,83 e Syx de 22,73%. As RNA também apresentaram bons ajustes com r de 0,99 e Syx de 4,93% (volume de madeira) e r de 0,97 e Syx de 8,92% (biomassa).

No estado de Durango, México, em uma zona montanhosa foi estimada a biomassa florestal acima do solo. Para a estimativa da biomassa foram utilizados dados de campo, árvore de decisão e dados multiespectrais (bandas e índices de vegetação) do satélite Landsat 5 TM. Os resultados indicaram que o índice de vegetação de diferença normalizada (NDVI) e a banda 4 (infravermelho próximo) do Landsat 5 TM ficaram entre as melhores variáveis que melhor discriminaram a biomassa florestal acima do solo, sendo essa técnica indicada para estimar biomassa com base nos valores de reflectância (LÓPEZ-SERRANO et al., 2016).

Na última década, dados de escaneamento a laser de cobertura parcial (ALS), foram utilizados em numerosos estudos de inventários florestais em larga escala para melhorar a precisão das estimativas baseadas em campo. Tais aplicações foram principalmente com o uso de dados ALS coletados como amostras com o objetivo de reduzir os custos de aquisição desses dados, minimizando as reduções nos erros das estimativas (MARGOLIS et al., 2015; MCROBERTS; NÆSSET; GOBAKKEN, 2014; NEIGH et al., 2013; NELSON et al., 2009; NELSON et al., 2016). Em estudo desenvolvido em florestas de miombo (do gênero Brachystegia pertencente à família Fabaceae) da Tanzânia, foram quantificadas a área de floresta e a biomassa acima do solo com uso de dados ALS, radar interferométrico de abertura sintética (InSAR), imagens RapidEye, Landsat e ALOS PALSAR. Os dados do ALS proporcionaram uma melhoria na precisão. A RapidEye e InSAR também contribuíram substancialmente para melhorar a precisão (NÆSSET et al., 2016).

As ARP também foram propostas como uma ferramenta inovadora e acessível para apoiar a aquisição de dados tridimensionais de detecção remota para inventários de manejo florestal (LISEIN et al., 2013; PULITI et al., 2015) e para levantamentos florestais em larga escala em que a coleta extensiva de dados de campo pode ser dispendiosa e em locais inacessíveis, sendo recomendável o uso de dados remotos para complementar a amostragem de campo (PULITI et al., 2017).

Para avaliar o desempenho de dados remotos de uma imagem MSI/Sentinel-2 (S2) na estimação do volume em ecossistemas florestais na Itália, Mura et al. (2018)

utilizaram 240 parcelas em duas áreas de estudo. Para isto foi utilizado duas imagens para comparação, adquiridas pelos satélites: Landsat 8 OLI e RapidEye. Com base no método de Random Forest em uma área de teste o S2 superou Landsat e RapidEye (RQME de 6,84% contra 14,9% e 12,33%, respectivamente), enquanto que na outra área, o S2 e Landsat tiveram resultados muito similares (RQME de 23,73% e 22,94%), melhores do que o resultado obtido com RapidEye (RQME de 31,49%). Os resultados confirmaram que as imagens S2 são adequadas para prever o volume de madeira, além de outras variáveis biofísicas, obtendo assim, boas estimativas (CHRYSAFIS et al., 2017; PHUA et al., 2017; KORHONEN et al., 2017).