Estimação de biomassa aérea e volume em povoamentos de eucaliptos através de imagens do satélite ALOS

Abstract

As estimativas de biomassa aérea e volume, tanto de florestas inequiâneas quanto de equiâneas são necessárias para estudos de sequestro de carbono, avaliação da regeneração natural de matas ciliares, estudos relacionados à conservação de recursos naturais, quantificação da ciclagem de nutrientes, e planejamento energético em regiões onde a biomassa florestal é utilizada como combustível primário para geração de energia. Utilizando dados dos sensores AVNIR-2 e PALSAR do satélite ALOS foram estimadas biomassa e volume empregando redes neurais artificiais para uma área de reflorestamento com eucaliptos, localizada nos municípios de Ipaba e Belo Oriente no estado de Minas Gerais. As estimativas de volume apresentaram coeficiente de correlação de 0,99, com os correspondentes volumes observados (inventário florestal), raiz quadrada do erro quadrático (RQEM) em porcentagem de 0,3% e erros com amplitude entre -1 a 1%.As estimativas de biomassa apresentaram coeficiente de correlação de 0,97, com os valores de biomassa observados no método destrutivo de quantificação, RQEM% de 2,87 e erros entre -8 a5%. A eficiência das redes neurais artificiais para estimação da produção (em m3 e t. de biomassa) foi comprovada.

The estimation of biomass and volume, both of uneven-aged and even-aged forest, are necessary for studies related to carbon sequestration, evaluation of riparian zones regeneration, natural resources conservation, nutrient cycling quantification and energy planning where forest biomass is used as fuel for power generation.In this study, data obtained from AVNIR-2 and PALSAR sensors within ALOS satellite were used to estimate biomass and volume in a Eucalyptus forest plantation, located in the municipalities of Ipaba and Belo Oriente, State of Minas Gerais, Brazil, through artificial neural network analysis. The results showed correlation coefficient of 0.99 between the estimated and observed volume (forest inventory), Root Mean Squared Error (RMSE) of 0.3% and range errors between -1 and +1%. Results also showed higher correlation coefficient of 0.97 between the estimated and observed biomass (quantified by the destructive method), RMSE of 2.87% and range errors between -8 and +5%. The neural network produced accurate results even with few data plots.