Health & Medicine

ESTIMATIVA DE BIOMASSA E ESTOQUE DE CARBONO EM UM FRAGMENTO DE FLORESTA OMBRÓFILA MISTA COM USO DE DADOS ÓPTICOS DE SENSORES REMOTOS

Description
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL HENRIQUE LUIS GODINHO CASSOL ESTIMATIVA DE BIOMASSA E ESTOQUE DE CARBONO EM UM FRAGMENTO DE FLORESTA OMBRÓFILA MISTA COM USO DE DADOS ÓPTICOS DE SENSORES REMOTOS
Published
of 122
3
Published
All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.
Similar Documents
Share
Transcript
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL HENRIQUE LUIS GODINHO CASSOL ESTIMATIVA DE BIOMASSA E ESTOQUE DE CARBONO EM UM FRAGMENTO DE FLORESTA OMBRÓFILA MISTA COM USO DE DADOS ÓPTICOS DE SENSORES REMOTOS Porto Alegre 2013 HENRIQUE LUIS GODINHO CASSOL ESTIMATIVA DE BIOMASSA E ESTOQUE DE CARBONO EM UM FRAGMENTO DE FLORESTA OMBRÓFILA MISTA COM USO DE DADOS ÓPTICOS DE SENSORES REMOTOS Dissertação de Mestrado apresentada como requisito parcial para obtenção do título de Mestre em Sensoriamento Remoto pelo Programa de Pós Graduação em Sensoriamento Remoto da Universidade Federal do Rio Grande do Sul. Orientadora: Dejanira Luderitz Saldanha Co-Orientadora: Tatiana Mora Kuplich Porto Alegre 2013 UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL Reitor: Carlos Alexandre Netto Vice-Reitor: Rui Vicente Oppermann INSTITUTO DE GEOCÊNCIAS Diretor: André Sampaio Mexias Vice-Diretor: Nelson Luiz Sambaqui Gruber Cassol, Henrique Luis Estimativa de biomassa e estoque de carbono em um fragmento de floresta ombrófila mista com uso de dados ópticos de sensores remotos. / Henrique Luis Cassol. - Porto Alegre: IGEO/UFRGS,2013. [143 f.] il. Dissertação de Mestrado - Universidade Federal do Rio Grande do Sul. Programa de Pós-graduação em Sensoriamento Remoto. Instituto de Geociências. Porto Alegre, RS - BR, 2013 Orientador: Dejanira Luderitz Saldanha Coorientador: Tatiana Mora Kuplich 1. Váriaveis biofísicas. 2. Carbono orgânico. 3. Sensoriamento remoto. 4. Equações alométricas. I. Título. Catalogação na Publicação Biblioteca Instituto de Geociências - UFRGS Alexandre Ribas Semeler CRB: 10/1900 Universidade Federal do Rio Grande do Sul - Campus do Vale Av. Bento Gonçalves, Porto Alegre - RS - Brasil CEP: / Caixa Postal: Fone: Fax: HENRIQUE LUIS GODINHO CASSOL ESTIMATIVA DE BIOMASSA E ESTOQUE DE CARBONO EM UM FRAGMENTO DE FLORESTA OMBRÓFILA MISTA COM USO DE DADOS ÓPTICOS DE SENSORES REMOTOS Dissertação de Mestrado apresentada como requisito parcial para obtenção do título de Mestre em Sensoriamento Remoto pelo Programa de Pós Graduação em Sensoriamento Remoto da Universidade Federal do Rio Grande do Sul. Banca Examinadora:... Prof. Dr. Carlos Roberto Sanquetta (PPGEF/UFPR)... Prof. Dr. Rudiney Soares Pereira (PPGEF/UFSM)... Prof. Dra. Denise Cybis Fontana (PPGSR/UFRGS) Porto Alegre,...de...de... DEDICATÓRIA Aos meus avós Alda P. Godinho e Fiorentino Cassol que infelizmente nos deixaram ano passado, dedico. AGRADECIMENTOS Aos meus pais, pelo apoio afetivo e pela perseverança incondicional que sempre dedicaram a mim; À minha namorada Julia, que me apoiou nos momentos mais difíceis e esteve comigo nos mais alegres; Às minhas orientadoras Prof. Drª. Dejanira Luderitz Saldanha e Drª. Tatiana Mora Kuplich, pelos esmerados e prestimosos conselhos; Ao Prof Dr. Carlos Roberto Sanquetta e Prof. Drª Ana Paula Dalla Corte pelo apoio institucional e científico na realização da etapa de campo; Ao do Programa de Pesquisas Ecológicas de Longa Duração (PELD) Sítio 9 Floresta com Araucária e suas transições e seus colaboradores, pelo fornecimento dos dados de inventário, sem os quais não seria possível a realização deste trabalho; Ao Jonas Bianchi, Lucas Oliveira, Tomaz Longhi e demais amigos da UFPR, pelo apoio na tarefa de campo; Ao Centro Estadual de Pesquisa em Sensoriamento Remoto e Meteorologia e seus colaboradores e funcionários; À Universidade Federal do Rio Grande do Sul pela estrutura fornecida e oportunidade de desenvolver a pesquisa; À CAPES, pelo apoio financeiroinstitucional concedido; Aos colegas do PPGSR; Mestre não é quem sempre ensina, mas quem de repente aprende. João Guimarães Rosa ( ). RESUMO A imprecisão das estimativas de carbono estocado em florestas naturais no ciclo global de carbono vem criando uma demanda de desenvolvimento e padronização de métodos indiretos para modelagem deste ciclo e de emissões de CO 2 provenientes de mudanças de uso da terra e florestas. O trabalho teve como objetivo estabelecer as relações empíricas existentes entre a biomassa e o estoque de carbono de uma Floresta Ombrófila Mista (FOM) e os dados ópticos provenientes de sensores remotos de média resolução espacial (ASTER, LiSSIII e TM) por meio de análise de regressão. Além disso, criou-se um cenário hipotético de Redução de Emissões por Desmatamento, Degradação Florestal e Aumento de Estoque de Carbono (REDD + ). O estudo foi desenvolvido na Estação Experimental de São João do Triunfo, no estado do Paraná. As equações de regressão envolveram como variáveis dependentes (y): a biomassa e o carbono florestal, obtidos indiretamente do inventário florestal contínuo do Programa de Pesquisas Ecológicas de Longa Duração (PELD), e como variáveis independentes (x) as bandas espectrais e os índices de vegetação (IV). O tratamento estatístico envolveu a análise da matriz de correlação (r) entre as variáveis x e y; a análise de regressão linear simples, não linear e múltipla, com as seguintes estatísticas: R², R² aj., Syx, Syx% e dispersão dos resíduos, Por fim, elaboraram-se mapas temáticos para estas variáveis biofísicas. Como as correlações (r) entre as variáveis biofísicas e espectrais do sensor ASTER (15m) foram baixas, a imagem foi degradada para 30m e 45m. Na resolução de 30m, o uso dos dados ASTER foi superior ao seu uso na resolução original. Não houve diferenças significativas nos valores de r entre o uso das bandas ou dos IVs para predizer as variáveis biofísicas. Regressões lineares simples se mostraram mais adequadas do que as regressões não lineares (exponenciais e logarítmicas) e múltiplas para estimar as variáveis biofísicas, apresentando erros inferiores aos estabelecidos nas campanhas de inventários tradicionais (α 5%). Os mapas gerados a partir do sensor ASTER 30m foram mais fidedignos ao retratar a distribuição espacial destas variáveis na área de estudo devido à alta correspondência destes com os valores observados no inventário (PELD). Assim, a equação de regressão de carbono florestal a partir do ASTER foi usada na criação do projeto REDD +. A estimativa de biomassa e de carbono florestal da FOM mediante uso de dados de sensores ópticos foi adequada, com possibilidades de ser expandida para extensas áreas. A metodologia, portanto, se mostrou apropriada para ao monitoramento, relatório e verificação de estoques de carbono em florestas. Palavras-chave: variáveis biofísicas, carbono orgânico, sensoriamento remoto, equações alométricas, REDD +. ABSTRACT The imprecision of the estimates of carbon stock in natural forests in the global carbon cycle has created a demand for development and standardization of indirect methods for modeling this cycle and CO 2 emissions from land use change and forestry. The work had as objective to establish empirical relationships between biomass and carbon stock of an Araucaria Forest (FOM) and medium spatial resolution remote sensing data (ASTER, and LiSSIII TM) through regression analysis. In addition, we created a hypothetical scenario of Reducing Emissions from Deforestation and Forest Degradation and Enhanced Carbon Stocks (REDD + ). The study was developed at the Experimental Station of São João do Triunfo, state of Paraná. The regression analysis involved the forest biomass and forest carbon obtained from continuous forest inventory of the Long Term Ecological Research Program (LTER) as dependent variables (y) and spectral bands and vegetation indices (VIs) as independent variables (x). The statistical analysis comprised correlation analysis (r) between the variables x and y; regression analysis from linear, nonlinear and multiple regressions with the following statistics: R², R²adj, Syx, Syx% and residual dispersion. Furthermore thematic maps were made. Correlations between the biophysical variables and the spectral ASTER data were weak therefore ASTER was scaling up to 30m and 45m. The resolution of 30m, using ASTER data was higher than its use in the original resolution. There were not significant differences in r values between use of bands or VIs to predict the biophysical variables. Linear regressions were more suitable than nonlinear regressions (exponential and logarithmic) and multiple to estimate the biophysical variables, with errors lower than established in traditional inventories campaigns (α 5%). Maps generated from ASTER 30m were more reliable in portraying the spatial distribution of these variables in the study area due to the high correlation of these with the values observed in the inventory (LTER). Thus, the forest carbon equation from ASTER data was used in the creation of REDD +. The estimated biomass and forest carbon by using optical sensors data was adequate, with possibilities to be expanded to large areas. The methodology thus proved suitable for the monitoring, reporting and verification of carbon stocks in forests. Keywords: biophysical variables, organic carbon, optical remote sensing, allometric equations, REDD +. LISTA DE FIGURAS Figura 1 Figura 2 Figura 3 Figura 4 Figura 5 Padrão típico de absorção, reflexão e transmissão da REM em uma folha verde sadia. Fonte: Adaptado de Jones e Vaughan, (2010) Representação da interação da REM com um dossel vegetal, mostrando os múltiplos eventos de espalhamento (a); Representação esquemática do dossel vegetal tratado como um conjunto de finas camadas (folhas), onde a radiação transmitida é atenuada pela absorção e transmissão das múltiplas camadas e o fluxo de radiação que volta à atmosfera é a soma da radiação espalhada pelas múltiplas camadas (b) (JONES e VAUGHAN, 2010) Efeito do aumento de camada de folhas na transmissão (τ), absorção (α) e reflexão (ρ) da REM pelas folhas. Modificado de Jacquemoud e Baret, (1990) Exemplo do estoque de carbono (caixas) e o fluxo de materiais e de CO 2 (flechas) em um ecossistema florestal. Modificado de Muukkonen, (2006) Localização geográfica da Estação Experimental de São João do Triunfo. No detalhe, uma composição colorida natural da estação experimental Figura 6 Divisão Fitogeográfica do estado do Paraná Figura 7 Figura 8 Figura 9 Figura 10 Figura 11 Estrutura vertical da Floresta Ombrófila Mista da Estação Experimental de São João do Triunfo vista de cima da torre micrometeorológica. Observa-se no primeiro plano a copa umbeliforme de uma Araucaria angustifolia dominando o estrato superior da floresta. Fonte: Autor Mapa da localização das parcelas permanentes em função dos diferentes dosséis florestais predominantes Fluxograma do processamento digital das imagens ASTER, TM e LiSS III Croqui metodológico do co-registro. À direita, os pontos representam as árvores contidas na UA e os círculos a projeção das copas Representação esquemática do aumento de escala (up-scaling), em que a resolução espacial original de 15m do sensor ASTER foi degradada para duas resoluções espaciais menores, 30m e 45m. Os pontos na imagem representam as árvores contidas dentro de um pixel de resolução, usados para formar as UA Figura 12 Fluxograma da metodologia empregada Figura 13 Comportamento dos coeficientes de variação em função da degradação espacial Figura 14 Figura 15 Figura 16 Figura 17 Figura 18 Figura 19 Figura 20 Figura 21 Figura 22 Correlograma entre as variáveis biomassa e carbono florestal e as variáveis espectrais, em função da ampliação da escala de observação Gráfico de dispersão dos resíduos padronizados das regressões lineares dos índices e bandas espectrais, gerados a partir dos dados do sensor ASTER versus os valores estimados padronizados de biomassa florestal. As unidades amostrais com resíduos superiores a dois foram destacadas. As unidades amostrais com resíduos superiores a 2 σ estão destacadas Gráfico de dispersão dos resíduos padronizados das regressões lineares dos índices e bandas espectrais, gerados a partir dos dados do sensor LiSS III versus os valores estimados padronizados de biomassa florestal. As unidades amostrais com resíduos superiores a 2 σ estão destacadas Gráfico de dispersão dos resíduos padronizados das regressões lineares dos índices e bandas espectrais, gerados a partir dos dados do sensor TM versus os valores estimados padronizados de biomassa florestal. As unidades amostrais com resíduos superiores a 2 σ estão destacadas Gráfico de dispersão dos resíduos padronizados gerados pelas regressões não lineares dos índices e bandas espectrais, a partir dos dados espectrais do sensor LiSS III, versus os valores estimados padronizados de biomassa florestal (acima) e versus os valores estimados padronizados de carbono florestal (abaixo). As unidades amostrais com resíduos superiores a 2 σ estão destacadas Gráfico de dispersão dos resíduos padronizados gerados pelas regressões não lineares dos índices e bandas espectrais, a partir dos dados espectrais do sensor TM, versus os valores estimados padronizados de biomassa florestal (esquerda) e versus os valores estimados de carbono florestal (direita). As unidades amostrais com resíduos superiores a 2 σ estão destacadas Mapa de Biomassa Florestal na área da ESSJT, gerado a partir da regressão linear da banda do IVP do sensor ASTER Mapa de Carbono Florestal da ESSJT, gerado a partir da regressão linear do índice TVI do sensor ASTER Distribuição das frequências de carbono florestal, em toneladas por pixel (esquerda); Estatísticas básicas da estimativa (direita) geradas a partir do sensor ASTER Figura 23 Figura 24 Figura 25 Figura 26 Figura 27 Figura 28 Figura 29 Mapa de Biomassa Florestal da ESSJT, gerado a partir da regressão linear da banda do IVP do sensor LiSS III Mapa de Carbono Florestal da ESSJT, gerado a partir da regressão linear da banda do IVP do sensor LiSS III Distribuição das frequências de carbono florestal, em toneladas por pixel (esquerda); Estatísticas básicas da estimativa (direita) geradas a partir do sensor LiSS III Mapa de Biomassa Florestal da ESSJT, gerado a partir da regressão linear do índice NDVI do sensor TM Mapa de Carbono Florestal da ESSJT, gerado a partir da regressão linear do índice NDVI do sensor TM Distribuição das frequências de carbono florestal, em toneladas por pixel (esquerda); Estatísticas básicas da estimativa (direita) geradas a partir do sensor TM Princípio da adicionalidade. A linha base (pontilhada) representa a quantidade de CO2e. existente na área anterior à criação do projeto de REDD LISTA DE TABELAS Tabela 1 Comparação de diferentes métodos usados em estimativas de biomassa para a medição de estoques de carbono florestais Tabela 2 Características do Sensor ASTER, TM e LiSS III Tabela 3 Parâmetros de transformação radiométrica do sensor TM Tabela 4 Parâmetros de transformação de transformação do sensor LiSS III Tabela 5 Tabela 6 Tabela 7 Tabela 8 Tabela 9 Tabela 10 Tabela 11 Tabela 12 Tabela 13 Tabela 14 Tabela 15 Índices de Vegetação utilizados no estudo, ρred, ρgreen, ρblue e ρnir são as reflectâncias na região do vermelho, verde, azul e infravermelho próximo do espectro EM, respectivamente Estatísticas dos valores de biomassa florestal estimados para os anos de 2010 e Estatísticas dos valores de carbono florestal para os anos de 2010 e Estatísticas das unidades amostrais em nível de pixel de resolução 15m do sensor ASTER Matriz de correlação entre as variáveis biofísicas e as variáveis espectrais. Em negrito, as mais altas correlações Estatísticas descritivas das UA para as diferentes resoluções espaciais utilizadas (15m, 30m e 45m) Matriz de correlação entre as variáveis biofísicas e as variáveis espectrais, com o pixel de dimensão de 30x30m. Em negrito, os maiores coeficientes Matriz de correlação entre os dados biofísicos e os dados espectrais do sensor ASTER com resolução espacial de 45 metros. Em negrito, as mais altas correlações Resultados das regressões lineares entre a biomassa florestal e as bandas e IV, nas diferentes resoluções espaciais do sensor ASTER.. 88 Resultados das regressões lineares entre o carbono florestal e as bandas e IV, nas diferentes resoluções espaciais do sensor ASTER.. 90 Estimativas de biomassa florestal por hectare, em t.ha -1, geradas a partir das regressões lineares simples. Em negrito, destacam-se as menores variações Tabela 16 Tabela 17 Tabela 18 Tabela 19 Tabela 20 Estimativas de carbono florestal por hectare, em t.ha -1, geradas a partir das regressões lineares simples. Em negrito, as menores variações.. 91 Matriz de correlação entre as variáveis biofísicas e as variáveis espectrais transformadas, em cada uma das escalas propostas Equações de regressão gerados a partir das variáveis espectrais selecionadas pelo método Stepwise, para a variável dependente Y = biomassa florestal Equações de regressão gerados a partir das variáveis espectrais selecionadas pelo método Stepwise, para a variável dependente Y = carbono florestal Estatísticas das variáveis biofísicas em kg/m² e das variáveis espectrais nas unidades amostrais em cada um dos sensores avaliados Tabela 21 Matriz de correlação entre as variáveis espectrais e biofísicas - transformadas ou não - em cada um dos sensores. Em negrito os coeficientes de correlação significativos ao nível α = 0, Tabela 22 Tabela 23 Tabela 24 Tabela 25 Tabela 26 Tabela 27 Resultado da análise de regressão linear entre a biomassa florestal e as variáveis espectrais obtidas nos três sensores avaliados. Em negrito os mais altos coeficientes Resultado da análise de regressão linear entre o carbono florestal e as variáveis espectrais obtidas nos três sensores avaliados. Em negrito os mais altos coeficientes Estimativas de biomassa florestal por hectare, em t.ha -1, geradas a partir das regressões lineares simples Estimativas de carbono florestal por hectare, em t.ha -1, geradas a partir das regressões lineares simples Equações de regressão lineares múltiplos significativos para as variáveis espectrais provenientes do sensor LiSSIII Equações de regressão lineares múltiplos significativos para as variáveis espectrais provenientes do sensor TM Tabela 28 Cenário de REDD + para a área de estudo LISTA DE EQUAÇÕES Equação 1 Equação geral do balanço de energia da radiação eletromagnética incidente Equação 2 Índice de Vegetação Razão Simples Equação 3 Índice de Vegetação por Diferença Normalizada Equação 4 Equação hipsométrica ajustada para a Araucaria angustifolia Equação 5 Equação hipsométrica ajustada para as folhosas Equação 6 Equação alométrica ajustada para a Floresta Ombrófila Mista Equação 7 Equação 8 Equação para transformação de ND para radiância no topo da atmosfera dos dados ASTER Equação para transformação de ND para radiância no topo da atmosfera dos dados TM Equação 9 Cálculo para a conversão de radiância para FRB Equação 10 Cálculo do coeficiente de correlação de Pearson Equação 11 Linearização da equação logarítmica e exponencial, respectivamente Equação 12 Cálculo do coeficiente de determinação e coeficiente de determinação ajustado, respectivamente Equação 13 Erro padrão da estimativa e erro padrão relativo, respectivamente Equação 14 Cálculo dos resíduos padronizados Equação 15 Equação de regressão utilizada para estimar a biomassa florestal estabelecida com base nos valores de reflectância do infravermelho próximo do sensor ASTER Equação 16 Equação de regressão utilizada para estimar o carbono florestal, estabelecida com base no índice TVI do sensor ASTER Equação 17 Equação de regressão utilizada para estimar a biomassa florestal mediante a banda do IVP do sensor LiSSIII como preditora Equação 18 Equação de regressão utilizada para estimar o carbono florestal, estabelecida com base na banda IVP do sensor LiSS III Equação 19 Equação de regressão utilizada para estimar a biomassa florestal, estabelecida com base no índice NDVI do sensor TM Equação 20 Equação de regressão utilizada para estimar o carbono florestal, estabelecida com base no índice NDVI do sensor TM Equação 21 Montante de carbono florestal, a partir da lei dos juros compostos LISTA DE ABREVIAÇÕES ASTER Advanced Spaceborne Thermal Emission and Reflection Radiometer ATP Adenosina Trifosfato ARVI Atmospherically Resistant Vegetation Index APP Área de Preservaçã
Search
Similar documents
View more...
Related Search
We Need Your Support
Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

Thanks to everyone for your continued support.

No, Thanks
SAVE OUR EARTH

We need your sign to support Project to invent "SMART AND CONTROLLABLE REFLECTIVE BALLOONS" to cover the Sun and Save Our Earth.

More details...

Sign Now!

We are very appreciated for your Prompt Action!

x