Uso de redes neurais artificiais para mapeamento de biomassa e carbono orgânico no componente arbóreo de uma floresta ombrofila densa

Abstract

Resumo: O objetivo principal do presente estudo foi utilizar imagens do satélite IKONOS II para obter mapas temáticos para estimativas de biomassa arbórea e da quantidade de carbono orgânico armazenado em uma Floresta Ombrófila Densa. A área total avaliada foi 3.800 hectares, dos quais 3.324 hectares são cobertos atualmente por floresta natural. Na primeira etapa do estudo foram levantadas 48 amostras de 2700 m2 onde todos os indivíduos com diâmetro a 1,30 metros do solo (dap) acima de 10 cm foram medidos e identificados. Na segunda etapa, baseada nos resultados advindos do inventário florestal, 219 árvores foram abatidas, mensuradas e pesadas em toda sua parte aérea para a determinação de sua biomassa arbórea e quantidade de carbono armazenado. As estimativas obtidas foram relacionadas com dados oriundos das bandas das imagens do satélite IKONOS II. Foi verificado o desempenho de Redes Neurais Artificiais (RNA) e de equações de regressão lineares na quantificação de biomassa arbórea e na quantidade de carbono arbóreo armazenado. As estimativas obtidas por ambos os métodos geraram mapas temáticos de biomassa arbórea e da quantidade de carbono armazenado. A biomassa arbórea total média estimada foi de 141,4 t ha-1, enquanto que a média de carbono armazenado na vegetação foi de 59,3 t ha-1. O teor de carbono médio determinado na vegetação arbórea foi de 422 g kg-1. A arquitetura de RNA que apresentou melhores resultados foi com 12 neurônios na camada de entrada e 4 na camada de saída, para um liminar de erro de 0,01, para ambas as variáveis estimadas. O erro percentual médio em relação às amostras de verificação foi de 3,73 e 3,59%, para biomassa e quantidade de carbono, respectivamente. A melhor equação de regressão linear apresentou erros padrão da estimativa em porcentagem na ordem de 29,8 % para ambas as variáveis estimadas. A aplicação de Redes Neurais Artificiais mostrou-se mais exata na estimativa da biomassa e da quantidade de carbono do que as equações de regressão lineares ajustadas. A técnica de Redes Neurais Artificiais mostrou-se promissora na obtenção de estimativas de variáveis biométricas no setor florestal, sendo o estudo de outras variáveis e a aplicação da técnica em outras áreas recomendável para seu uso de forma mais ampla.

Abstract: The main objectives of the study were to use IKONOS II images to create thematic maps for dry above ground biomass and carbon quantities stored in a Dense Ombrophilous Forest. The total area covered by the study is 3.800 hectares, of which 3.324 hectares are covered by natural forest. As the first study stage, 48 samples of 2.700 m2 were taken for forest inventory purposes, where all trees with dbh greater than 10 cm were measured and identified. Once the results of the forest inventory were available, 219 trees were cut and had theirs different fresh portions measured and weighted for biomass and carbon determination. The estimates obtained were related with data from the IKONOS II satellite bands. The performance of Artificial Neural Networks (ANN) and linear regression equations were verified. The estimates of above ground dry biomass and carbon amount stored generated by both methods allowed thematic mapping of these variables. Dry biomass for threes with dbh greater than 10 cm had an average of 141.4 t ha-1, while the average amount of stored carbon was 59.3 t ha-1. The average carbon rate estimated for the above ground vegetation was 422 g kg. The best ANN architecture showed 12 neurons as input and 4 for output for 0,01 threshold error, for both estimated variables. The percentage error for the validation samples was 3,73 and 3,59% for dry biomass and carbon content, respectively. The best linear equation showed standard errors in percentage of 29,8% for both variables. The use of ANN showed more accurate estimates for the studied variables than the linear regression equation. The ANN technique showed very promising results for estimating biometric variables, being the study of another variables and fields of application highly recommended.