Modelagem da biomassa e do carbono aéreo de Eucalyptus spp. com UAV LiDAR : abordagens por área e por árvore individual

Abstract

Resumo: A estimativa da biomassa e do carbono acima do solo em plantios de Eucalyptus spp. é um tema central para o manejo sustentável e para a compreensão do ciclo do carbono. Diante desse contexto, abordagens que integram inventário florestal e Sensoriamento Remoto têm se destacado como ferramentas eficientes para a estimativa desses atributos. Essa pesquisa teve como objetivo quantificar o estoque de biomassa e de carbono acima do solo por compartimento, em genótipos de Eucalyptus spp., utilizando dados UAV-LiDAR a partir da abordagem a nível de área e por árvore individual. A área de estudo está localizada em São Paulo e integra o projeto EUCFLUX sendo formada por cinco blocos experimentais implantados em 2018 com 25 genótipos de Eucalyptus spp. O censo florestal ocorreu em maio de 2023 nas parcelas de cada genótipo. Em seguida, foi realizada a amostragem destrutiva em 150 árvores para a determinação da biomassa acima do solo. O voo UAV-LiDAR ocorreu na sequência, com um sensor Zenmuse L1 embarcado em uma aeronave DJI Matrice 300. O processamento dos dados UAV LiDAR envolveu a classificação dos retornos, geração dos modelos digitais e a extração das métricas. A biomassa por compartimento foi estimada a partir de uma adaptação do modelo de Schumacher-Hall, com inclusão do genótipo como variável dummy. Essa variável foi multiplicada por um teor de carbono de 46% para a obtenção do carbono acima do solo por compartimento. Para a construção dos modelos preditivos de biomassa e carbono, as métricas UAV-LiDAR foram selecionadas por Análise de Componentes Principais. Todos os modelos foram avaliados pelo coeficiente de determinação ajustado (R²ajustado) e a Raiz do Erro Quadrático Médio ou Root Mean Square Error (RMSE) e por medidas de concordância juntamente com o gráfico de Bland-Altmann. Na abordagem a nível de área, o Random Forest (RF) se destacou nos compartimentos total e fuste, com R²ajustado de 0,952 e 0,959 e RMSE abaixo de 5,5% para a biomassa. Para o carbono, o R²ajustado foi de 0,952 e 0,961, com erro abaixo de 5,6%. Na copa, o Extreme Gradient Boosting (XGBoost) teve performance superior aos demais, com R²ajustado de 0,765 e 0,707 e RMSE abaixo de 15,1% para a biomassa e o carbono acima do solo. Na abordagem individual, foram avaliados os métodos Local Maxima Filter (LMF), Segment Anything Model (SAM) e o Detectron2 para a detecção de copas. O Detectron2 apresentou a maior taxa de detecção, com 98%, seguido pelo SAM com 93% e pelo LMF com 55%. Na modelagem individual de biomassa e carbono acima do solo, o XGBoost apresentou o melhor desempenho, com R²ajustado de até 0,961 e erro abaixo de 5,7% nos compartimentos total e fuste. Já na copa, o R²ajustado foi de 0,84 e o RMSE foi inferior a 16,7%. A comparação entre as abordagens em nível de área e individual indicou diferenças médias de aproximadamente 17% para biomassa e carbono, evidenciando o desempenho consistente dos algoritmos e o potencial do UAV-LiDAR em análises multiescala para a quantificação de biomassa e carbono acima do solo

Abstract: The estimation of aboveground biomass and carbon in Eucalyptus spp. plantations is a central topic for sustainable forest management and for understanding the carbon cycle. In this context, approaches that integrate forest inventory data and remote sensing have emerged as efficient tools for estimating these attributes. This study aimed to quantify aboveground biomass and carbon stocks by compartment in Eucalyptus spp. genotypes using UAV-LiDAR data at both area-based and individual-tree levels. The study area is located in the state of São Paulo, Brazil, and is part of the EUCFLUX project, comprising five experimental blocks established in 2018 with 25 Eucalyptus spp. genotypes. Forest inventory data were collected in May 2023 in the plots of each genotype. Subsequently, destructive sampling was carried out on 150 trees to determine aboveground biomass. The UAV-LiDAR survey was conducted thereafter using a Zenmuse L1 sensor mounted on a DJI Matrice 300 platform. UAV-LiDAR data processing included return classification, digital model generation, and metric extraction. Biomass by compartment was estimated using an adaptation of the Schumacher–Hall model, with genotype included as a dummy variable. This variable was multiplied by a fixed carbon content of 46% to obtain aboveground carbon by compartment. For the development of predictive biomass and carbon models, UAV-LiDAR metrics were selected using Principal Component Analysis. All models were evaluated using the adjusted coefficient of determination (adjusted R²), Root Mean Square Error (RMSE), and concordance measures, together with Bland–Altman plots. At the area-based level, Random Forest (RF) showed the best performance for the total and stem compartments, with adjusted R² values of 0.952 and 0.959 and RMSE below 5.5% for biomass. For carbon, adjusted R² values were 0.952 and 0.961, with errors below 5.6%. For the crown compartment, Extreme Gradient Boosting (XGBoost) outperformed the other methods, with adjusted R² values of 0.765 and 0.707 and RMSE below 15.1% for aboveground biomass and carbon. At the individual-tree level, the Local Maxima Filter (LMF), Segment Anything Model (SAM), and Detectron2 were evaluated for tree crown detection. Detectron2 achieved the highest detection rate (98%), followed by SAM (93%) and LMF (55%). In individual-tree modeling of aboveground biomass and carbon, XGBoost achieved the best performance, with adjusted R² values up to 0.961 and RMSE below 5.7% for the total and stem compartments. For the crown compartment, the adjusted R² was 0.84 and RMSE was below 16.7%. The comparison between area-based and individual-tree approaches revealed average differences of approximately 17% for both biomass and carbon, highlighting the consistent performance of the algorithms and the strong potential of UAV-LiDAR data for multiscale estimation of aboveground biomass and carbon