Predição da biomassa usando redes neurais artificiais e sensoriamento remoto em Florestas na Amazônia

Abstract

As florestas tropicais estocam quantidade muito significativa de carbono orgânico em sua biomassa aérea e subterrânea. A mensuração da biomassa florestal é uma atividade laboriosa e demanda muito tempo e recursos financeiros para sua implementação. Portanto, tem sido crescente o interesse de muitos pesquisadores em desenvolver novas técnicas para quantificar a biomassa em ecossistemas naturais. No presente estudo, desenvolveu-se um modelo para a estimativa da biomassa florestal acima do solo (BFAS) em florestas tropicais a partir de dados de sensoriamento remoto e redes neurais artificiais ajustados e validados com base em dados de campo. Quatro índices de vegetação, derivados de imagens do Satélite Landsat-5 TM, foram testados e avaliados estatisticamente em suas correlações com a biomassa obtida do inventário florestal. Os resultados indicaram os índices de vegetação Normalized Difference Vegetation Index (NDVI) e Aerosol Free Vegetation Index (AFRI) como os melhores em desempenho na estimativa da BFAS. A partir daí foram treinadas 286 RNAs usando como dados de entrada o NDVI, o AFRI e a estratificação da área em duas fitofisionomias – Floresta Ombrófila Densa de Terras Baixas e Floresta Ombrófila Densa Sub-montana. A seleção da RNA mais adequada foi feita segundo os critérios da análise gráfica do erro residual e do coeficiente de correlação do modelo. Por fim, a validação da RNA selecionada foi feita a partir da análise dos resultados do teste t de Student e da diferença agregada entre os valores preditos pela rede neural e os valores observados para as parcelas de validação. Assim, este estudo indica que o uso de dados de sensoriamento remoto associados a redes neurais artificiais possibilita a estimativa com precisão da biomassa florestal acima do solo em florestas tropicais.