Plataforma digital integrada para dados de biomassa e carbono na Floresta Amazônica

Abstract

Resumo: A floresta amazônica brasileira concentra um dos maiores estoques de biomassa e carbono no planeta, com total estimado de 150-200 Gt de carbono. Uma vez que as florestas atuam como sumidouros de carbono, o qual é estocado na biomassa florestal, também possuem importância na regulação climática do planeta. Portanto, estudos de quantificação de biomassa nessa floresta tropical são imprescindíveis para se buscar um maior entendimento nas questões ligadas às mudanças climáticas. Nesse sentido, ressaltam-se dois problemas relativos às estimativas de biomassa para o bioma Amazônia: 1. O uso de limitadas bases de dados de inventário florestal, com poucos registros de parcelas e indivíduos; 2. A aplicação de equações de biomassa genéricas para florestas tropicais, ou seja, não específicas para tipologias florestais. Além disso, dados relativos a inventários florestais no bioma Amazônia, os quais permitem as quantificações de biomassa e carbono, são escassos ou se encontram de maneira dispersa em diversas bases de dados, muitas vezes com acesso restrito, limitando a realização de estudos interdisciplinares. O objetivo do presente trabalho foi consolidar uma plataforma digital de livre acesso, com informações acerca da quantificação dos estoques de carbono e biomassa no bioma Amazônia, a partir de duas amplas bases de dados de inventários florestais (Projeto Paisagens Sustentáveis - EMBRAPA - e Projeto RADAMBRASIL), utilizando uma abordagem inédita, com aplicação de equações de biomassa específicas para duas tipologias florestais de ampla extensão territorial no bioma Amazônia: floresta densa e floresta aberta. Além disso, compararam-se os efeitos das equações de biomassa propostas por diferentes autores para essas fitofisionomias com equações genéricas para florestas tropicais, a fim de propor uma nova abordagem de espacialização para gerar mapas de biomassa específicos para as tipologias floresta densa e floresta aberta. Informações acerca das estimativas de biomassa e coordenadas geográficas de cada parcela foram integradas ao software JCarbon©, uma plataforma open data. Por fim, também foram comparadas estimativas de biomassa obtidas por meios de técnicas de regressão linear, aprendizado de máquina e dados LiDAR. Os resultados indicaram que a biomassa aérea de árvores com diâmetro ? 30 cm, para as duas tipologias florestais, é de 46,5 Gt, o que corresponde a 53% da biomassa total estimada para o bioma Amazônia (valor total, considerando todos os indivíduos vivos e todas as tipologias florestais ocorrentes), em comparação com dados publicados no relatório FRA 2020 (Global Forest Resources Assessment), publicado pela FAO (Food and Agriculture Organization of the United Nations). Trinta e dois mapas de distribuição de biomassa aérea e carbono aéreo de árvores foram gerados para as áreas de floresta densa e floresta aberta, proporcionando uma análise de sensibilidade espacial dos valores de biomassa e carbono preditos. Estimativas obtidas por meio de equações genéricas superestimaram em 4,6% e 33,2% os valores de biomassa obtidos por meio de equações específicas de floresta densa e floresta aberta, respectivamente. Houve um ganho de 11% no valor médio obtido de biomassa estimada pelas equações específicas. Conclui-se que o uso de equações de biomassa genéricas é inadequado para estimar a biomassa em ecossistemas como bioma Amazônia, caracterizado pela heterogeneidade fitoecológica. Dessa forma, para extensas bases de dados de inventário florestal, como é o caso do Projeto Paisagens Sustentáveis e do Projeto RADAMBRASIL, recomenda-se o uso de equações de biomassa específicas para as diferentes tipologias florestais. A partir da análise comparativa de estoques de biomassa obtidos por meio de equações de biomassa, dados LiDAR e algoritmos de aprendizado de máquina, pode-se inferir que o uso de sistemas LiDAR tem elevado potencial não só para gerar mapas acurados da distribuição da biomassa, como também para a obtenção de valores confiáveis de biomassa acima do solo por unidade de área no bioma Amazônia. Ademais, equações de biomassa a partir de modelos tradicionais (regressão linear) e de modelos de aprendizado de máquina também se constituem em abordagens com bom desempenho preditivo da biomassa aérea de árvores no bioma Amazônia, recomendando-se, assim, a integração de dados de sistemas LiDAR com dados de inventários florestais. Por fim, a integração da base de dados do presente estudo com o software JCarbon© foi bem-sucedida, constituindo uma fonte de consulta espacial inédita (online-webgis e open data) de estoques de biomassa em grande número de parcelas no bioma Amazônia.

Abstract: The Brazilian Amazon rainforest is one of the largest biomass and carbon sources on the planet, with a total estimated stock of around 150-200 Gt C. Given its importance as a carbon sink, biomass quantification studies in this area are essential to obtain a better understanding of climate change-related issues. Therefore, this study highlights two problems related to biomass estimates of the Amazon biome. First, the limited availability of forest inventory databases, with a limited sample size. Second, the application of generic allometric equations, i.e., non-forest type-specific equations, unsuitable to specific forest types. Furthermore, it is known that data on forest inventories in Brazil, mainly in the Brazilian Amazon, which allow the quantification of biomass and carbon, are scarce or are dispersed in several databases, often with restricted access, limiting the performance of interdisciplinary studies. This study aimed to estimate biomass and carbon storage from two larges datasets of forest survey (Paisagens Sustentáveis Project and RADAMBRASIL Project), utilizing forest type-specific allometric equations for two predominant forest types in the Amazon biome: dense forests and open forests. Additionally, the dense and open forest equation effects were compared to establish a new spatialization approach to generate specific tree biomass maps for these forest types. Information about the biomass estimates and geographical coordinates of each plot were integrated to the JCarbon© software, an open data platform. Also, biomass estimates obtained by traditional methods (classical linear regression) machine learning and LiDAR data were also compared. The results indicated that the combined aboveground tree biomass of dense and open forest types, for trees with diameter ? 30 cm, was 46.5 Gt, or 53% of the biome's biomass (total value considering all living trees and forest types), compared to data published in the FRA 2020 report (Global Forest Resources Assessment), published by FAO (Food and Agriculture Organization of the United Nations). Thirty-two refined biomass maps were generated for dense and open forest areas, providing a novel spatial sensitivity analysis of the predicted biomass and carbon values predicted. Biomass estimates obtained utilizing the generic equations were overestimated by 4.6% and 33.2% compared to those obtained utilizing the specific equations for dense and open forests, respectively. Moreover, there was a gain of approximately 11% in the average biomass value obtained by the forest typespecific equations. It was concluded that only large-scale forest inventories databases may provide reliable biomass and carbon estimation, and forest type-specific equations should be utilized to estimate the Amazon biome's biomass, which is an environment characterized by phytoecological heterogeneity. Thus, for extensive forest inventory databases, such as the Paisagens Sustentáveis Project and the RADAMBRASIL Project, the use of specific allometric equations for different forest types is recommended. From the comparative analysis of biomass stocks obtained using allometric equations, LiDAR data and machine learning algorithms, it can be inferred that the use of LiDAR systems has high potential not only to generate accurate maps of the distribution of biomass, but, also, to obtain reliable values of aboveground biomass per unit area in the Amazon biome. In addition, biomass equations from traditional models (linear regression) and machine learning models provides a good predictive performance of aerial biomass estimates in the Amazon biome, thus indicating the integration of forest inventory data with LiDAR systems data. Finally, the integration of the database of the present study with the JCarbon© software was successful, constituting an unprecedented source of spatial data (online-webgis and open data) of biomass stocks in a large number of inventory plots in the Amazon biome.