Scientia Forestalis, volume 45, n. 115
setembro de 2017
DOI: dx.doi.org/10.18671/scifor.v45n115.10

Predição da biomassa aérea em plantações de Pinus taeda L. por meio de dados LiDAR aerotransportado

Predicting aboveground biomass in Pinus taeda L. plantation using airborne LiDAR data

Carlos Alberto Silva1
Carine Klauberg2
Ângela Maria Klein Hentz3
Samuel de Padua Chaves Carvalho4
Ana Paula Dalla Corte5

1Doutorando em Recursos Naturais no Departamento de Recursos Naturais e Sociedade. UI – University of Idaho / College of Natural Resources. 875 Perimeter Drive 83843 - Moscow, ID, USA. E-mail: carlos_engflorestal@outlook.com
2Pesquisador Doutor no Departamento de Serviços Florestais. USDA – United States Departament of Agriculture. Rocky Mountain Research Station, 1221 South Main Street, 83843 - Moscow, ID, USA. E-mail: carine_klauberg@hotmail.com
3Doutoranda em Engenharia Florestal. UFPR –Universidade Federal do Paraná. Rua Lothário Meissner, 632 - Jardim Botânico - 80210-170 - Curitiba, PR, Brasil. E-mail: elakhentz@gmail.com
4Professor Adjunto no Departamento de Ciências Florestais. UFMG - Universidade Federal de Mato Grosso. Av. Fernando Correa da Costa, 2367 - Boa Esperança - 78060900 - Cuiabá, MT, Brasil. E-mail: sam.padua@gmail.com
5Professor Adjunto no Departamento de Ciências Florestais. UFPR –Universidade Federal do Paraná. Rua Lothário Meissner, 632 - Jardim Botânico - 80210-170 - Curitiba, PR, Brasil. E-mail: aulacorte@gmail.com

Recebido em 31/05/2016 - Aceito para publicação em 04/05/2017

Resumo

Este trabalho teve como objetivo predizer a biomassa acima do solo (AGB) em plantações de Pinus taeda L., localizados na região sul do Brasil. A base de dados utilizada no estudo foi originada de levantamentos a laser aerotransportados (LiDAR), complementados por informações de campo. Os modelos preditores da biomassa foram ajustados por modelagem não paramétrica, Random Forests (RF), implementado no ambiente R. Para compor os dados de campo foram inventariadas 50 parcelas de área fixa, nas quais foram mensurados os diâmetros de todas as árvores e parte das alturas. Posteriormente o volume individual foi estimado por modelos polinomiais de quinto grau e serviu de base para o cálculo dos valores de AGB. O modelo final, preditor da biomassa, foi composto pelas métricas LiDAR referente a Altura no percentil 99 (H99TH), Coeficiente de Variação da Altura (HCV) e Assimetria da altura (HSKEW) por proporcionarem baixa correlação entre si, e fornecerem os maiores valores de Razão de Melhoria do Modelo (MIR). O modelo final apresentou um o coeficiente de determinação ajustado (R2aj.) de 0,98, Raiz Quadrada do Erro Médio (RMSE) de 5,98%, enquanto que para a validação, esses valores foram de 0,93 e 12,64%, respectivamente. Portanto conclui-se que o modelo gerou resultados satisfatórios na predição da biomassa aérea em plantações de P. taeda, podendo ser considerado como uma ferramenta eficaz no manejo de florestas plantadas.
Palavras-chave: Inventário Florestal, Modelagem Não-paramétrica, Plantações Florestais, Métricas LiDAR.

Abstract

The aim of this study was to predict aboveground biomass (AGB) from Pinus taeda L. plantations, located in South of Brazil, using LiDAR data, in-situ measurements and Random Forests (RF) modeling. Fifty regular sample plots were used, in which the diameter at the breast height (DBH) for all trees and about 15% of the heights were measured. Afterwards. forest stem volume was predicted using a fifth degree polynomial model, and used to calculate the field AGB values. To create the RF model we selected the H99TH, HCV and HSKEW LiDAR metrics, because they were not highly correlated to each other and presented the higher calculated value of Model Improvement Ratio (MIR). The estimative model of AGB presented a coefficient of determination (Adj.R2) of 0.98 and RMSE of 5.98%, while for the validation these values were 0.93 and 12.64%, respectively. It was possible to conclude that the RF and LiDAR-derived metrics were able to predict precisely the values of AGB in P. taeda plantation, therefore, it can be used as a helpful tool to forest management.
Keywords: Forest inventory, Nonparametric models, Random Forests, LiDAR metrics.





Instituto de Pesquisas e Estudos Florestais
Via Comendador Pedro Morganti, 3500 - Bairro Monte Alegre
CEP: 13415-000 - Piracicaba, SP - Brasil
Reprodução permitida desde que citada a fonte.