Mapeamento da estrutura florestal na paisagem

O que é biomassa?

A biomassa pode ser definida como a massa seca em pé de matéria viva ou morta de plantas lenhosas, e geralmente é expressa como uma massa por unidade de área (por exemplo, megagramas por hectare: Mg ^ha-1). É uma variável essencial usada para monitorar o carbono liberado e sequestrado pelos ecossistemas florestais porque aproximadamente 50% da biomassa é carbono. Neste artigo, nos referimos à biomassa acima do solo, pois essa é a única parte que podemos "ver" usando a tecnologia de sensoriamento remoto por satélite. 

Medição da biomassa florestal

Medir a biomassa de árvores e arbustos não é fácil. De fato, a única maneira de medir diretamente a biomassa é por meio de amostragem destrutiva, em que as árvores e os arbustos são cortados e pesados. Essa abordagem destrutiva é demorada, cara e contraproducente, pois queremos manter o carbono na vegetação em vez de liberá-lo de volta à atmosfera (o que provavelmente acontecerá com essas árvores cortadas ao longo do tempo). Entretanto, esse método é necessário para desenvolver modelos alométricos. As alometrias são usadas para estimar a biomassa a partir de parâmetros fáceis de medir, como o diâmetro e a altura da árvore. Ela se baseia na teoria de escala biológica e descreve as dependências dos organismos vivos em termos de massa corporal, tamanho e forma. Os modelos alométricos são usados em inventários florestais tradicionais para calcular a biomassa das árvores. Os inventários florestais se baseiam no estabelecimento de parcelas de campo na região de interesse para estimar estatísticas florestais de grandes áreas. No entanto, muitos países tropicais ricos em florestas não executam programas de inventário florestal, ou estão apenas começando a implementá-los, devido à distância dos locais e aos custos envolvidos.

Ao medir a biomassa florestal usando métodos tradicionais de inventário florestal, estamos expostos a várias fontes de erro, como a medição manual das dimensões das árvores, as estratégias de amostragem e os modelos alométricos. As estimativas alométricas de biomassa geralmente são tendenciosas(Demol et al. 2022), com diferenças de 15%(Burt et al., 2021) ou até 30%(Calders et al., 2015, Gonzalez de Tanago et al., 2018). As parcelas de inventário florestal são medidas durante longos períodos de tempo (por exemplo, ciclos de 5 anos), usando diferentes metodologias, projetos de amostragem, tamanhos/formas e operadores, o que pode levar a grandes discrepâncias ao avaliar diferentes projetos e regiões. Além disso, não temos dados de referência de muitas áreas das florestas do mundo devido à inacessibilidade e/ou ao custo muito alto. Isso faz com que o acesso a dados de referência de boa qualidade seja um dos principais desafios no monitoramento dos estoques de biomassa.

Por isso, geralmente evitamos o termo "dados de verdade" e preferimos o termo "dados de referência". Os dados de referência são cruciais no sensoriamento remoto e na ciência de dados, pois, para qualquer modelo que você desenvolva, sempre se aplica a regra de ouro "lixo dentro é igual a lixo fora". É por isso que na Sylvera damos um cuidado especial aos nossos dados de referência.

Nossa tentativa de criar o melhor conjunto de dados de referência: lidar em várias escalas

Para isso, visitamos florestas em todo o mundo e as escaneamos a laser a partir do solo e do ar usando nossos métodos proprietários de lidar em várias escalas (MSL). Coletamos dados 3D (ou seja, nuvens de pontos) no solo usando nossos scanners a laser terrestres (TLS). Esses scanners podem registrar a estrutura de árvores individuais com precisão milimétrica, até os galhos e folhas individuais. Também coletamos dados semelhantes de nossos scanners a laser aéreos (ALS) montados em veículos aéreos desocupados (UAVs), o que nos permite coletar dados em áreas maiores.

Esses novos conjuntos de dados contêm grandes quantidades de informações sobre a estrutura da floresta e a biomassa acima do solo; no entanto, o acesso a essas informações é complexo. A extração de dados sobre árvores individuais nos permite reconstruir e modelar cuidadosamente os parâmetros em escala de árvore, como a biomassa acima do solo. Somos capazes de medir a biomassa das árvores com uma margem de erro potencialmente tão baixa quanto 3%(Burt et al, 2021) em comparação com medições destrutivas de árvores (em comparação com o erro de até 30% mencionado anteriormente ao usar alometrias). Usando essa tecnologia MSL, nosso objetivo é criar o conjunto de dados de biomassa de referência mais preciso já reunido. Somos capazes de escanear até 50.000 ha de floresta em uma campanha de campo MSL. Os dados de referência do MSL podem ser produzidos em diferentes resoluções espaciais, o que permite um melhor escalonamento dos dados usando imagens de satélite. Usando os dados de biomassa do MSL, também podemos criar nossa própria calibração de biomassa de pegadas LiDAR espaciais adquiridas pelo sensor Global Ecosystem Dynamics Investigation (GEDI) e aprimorar nosso conjunto de dados de referência.

Como podemos ampliar nossas medições de biomassa para outros períodos de tempo e em grandes áreas?

Nossa tecnologia MSL pode medir a biomassa com incrível precisão, mas a quantidade de área que podemos cobrir e o número de vezes que podemos medir são limitados pelo tempo que podemos gastar coletando dados e pelo custo da realização dessa atividade (cerca de dezenas de milhares de hectares por campanha de campo). A tecnologia de sensoriamento remoto por satélite é fundamental para monitorar os estoques de biomassa, pois nos permite fazer isso com mais frequência (por exemplo, anualmente), em períodos mais longos (por exemplo, de 2000 até o presente) e em escalas espaciais maiores (por exemplo, jurisdições regionais/nacionais) em comparação com os inventários florestais. Os padrões atuais de contabilidade de carbono dependem do uso de imagens de satélite para detectar atividades em projetos de compensação de carbono (por exemplo, desmatamento, novas florestas plantadas) e combiná-las com valores médios de biomassa ou fatores de emissões de carbono para determinar a quantidade de carbono armazenada pelas florestas e a quantidade de carbono liberada por cada atividade. Esses valores médios são calculados em nível de projeto a cada 5 a 10 anos e baseiam-se em medições manuais de parcelas de campo. Infelizmente, o período entre as medições é tão longo que uma grande quantidade de mudança devido a distúrbios florestais (ou seja, emissões) pode ser perdida. Na maioria das vezes, esse tipo de trabalho apresenta deficiências importantes de amostragem (por exemplo, poucas amostras) devido ao custo, à intensidade da mão de obra e à inacessibilidade de algumas áreas remotas. Além disso, os valores médios são um descritor cada vez mais ruim à medida que a variação aumenta (especialmente em relação às deficiências de amostragem mencionadas acima), e a maioria das florestas em que estamos interessados apresenta muitas variações estruturais, o que pode ter um impacto considerável na estimativa dos estoques de biomassa e das emissões de carbono. 

As parcelas de inventário florestal nunca foram projetadas para serem usadas em combinação com pixels de observações de satélite. Os dados coletados manualmente no solo podem diferir enormemente das medições de satélites remotos em termos de resolução espacial e cobertura, de modo que as discrepâncias geralmente são introduzidas quando se tenta gerar produtos derivados de sensoriamento remoto de parede a parede. No Sylvera, treinamos nossos modelos usando nossos conjuntos de dados de referência de última geração baseados em MSL e nossos dados GEDI calibrados internamente com as melhores imagens de satélite disponíveis publicamente, o que nos permite remover ou minimizar essas discrepâncias ao treinar nossos modelos. 

Ampliamos nossas estimativas de biomassa em grandes áreas e escalas de tempo usando radar de abertura sintética (SAR) de comprimento de onda longo, que pode "ver" através das nuvens e tem alta sensibilidade à biomassa, e imagens de satélite ópticas multiespectrais que, apesar de terem menos sensibilidade à biomassa, têm uma cobertura temporal mais longa e contêm outras informações úteis relacionadas ao conteúdo de clorofila da vegetação. Também usamos outros tipos de informações auxiliares, como modelos digitais de terreno e análise de textura espacial.

As florestas são sistemas ecológicos muito diversos que apresentam comportamento complexo em diferentes escalas temporais e espaciais. Portanto, os algoritmos de aprendizado de máquina não paramétricos, que fazem menos suposições sobre a forma e a distribuição dos dados de referência, geralmente superam os métodos paramétricos(Evans et al., 2009). Os modelos de aprendizado de máquina podem ser usados para estimar a quantidade e a distribuição espacial da biomassa e sua incerteza. Com esses métodos, também podemos estimar outros parâmetros estruturais da floresta, como a altura do dossel ou a fração de cobertura das árvores. 

Em Sylvera, usamos abordagens de ponta revisadas por pares para monitorar a biomassa acima do solo(Rodriguez-Veiga et al, 2020, Meyer et al, 2019, Rodriguez-Veiga et al, 2019). Também realizamos validações estatisticamente rigorosas e análises de incerteza, e seguimos as práticas recomendadas(Duncanson et al, 2021, McRoberts et al, 2022). Nossos modelos são treinados regionalmente para estimar de forma rotineira e robusta séries temporais de biomassa florestal acima do solo e estoques de carbono a partir de dados de satélite.

‍

Nossos mapas de séries temporais de biomassa acima do solo são usados para monitorar as mudanças no estoque de biomassa nas áreas de interesse

Nossos métodos são constantemente aprimorados por meio da aquisição contínua de dados MSL para aumentar nossa cobertura, da preparação para as próximas missões de satélite (por exemplo, missão NiSAR e Biomassa) e da incorporação das mais recentes inovações de nossa própria pesquisa e da literatura científica. Nossas metodologias são revisadas interna e externamente pelos principais acadêmicos da área. Também colaboramos com equipes de pesquisa da UCLA, da Universidade de Leicester e da University College London.

Por que precisamos monitorar a biomassa em Sylvera?

Na Sylvera, avaliamos projetos de carbono pertencentes a estruturas de carbono, como a Redução de Emissões por Desmatamento e Degradação Florestal(REDD+). Dois dos componentes mais importantes desses projetos são os dados de atividade e os fatores de emissão, que são usados para calcular as emissões. Os dados de atividade podem ser avaliados usando técnicas de classificação de cobertura de terra em imagens de satélite, enquanto os fatores de emissão podem ser avaliados usando nossas próprias medições de biomassa. Como alternativa, podemos comparar as emissões informadas pelos projetos com nossas próprias estimativas derivadas de dados de séries temporais de biomassa. Esses produtos de séries temporais de biomassa fornecem mais informações sobre onde e quanto carbono está mudando nas áreas do projeto e oferecem uma oportunidade de detectar e avaliar as emissões de carbono derivadas da degradação florestal (o segundo "D" em REDD+). Quando uma floresta é degradada, ela ainda existe, mas sofreu uma redução em sua capacidade de produzir serviços ecossistêmicos, como o armazenamento de carbono. Isso é de suma importância porque uma grande proporção das emissões de carbono pode se originar da degradação florestal, que em muitos casos não é relatada e, ao mesmo tempo, pode ser o trampolim para um processo de desmatamento. 

O monitoramento da biomassa por satélite nos permitirá melhorar nossas classificações avaliando as emissões do desmatamento e da degradação florestal relatadas pelos projetos, mas também as emissões originadas pela degradação florestal em projetos que não as relataram.

Sobre os cientistas pesquisadores da Sylvera

Os pesquisadores que se concentram na biomassa em Sylvera fazem parte de duas equipes: a equipe MSL, responsável pela aquisição e processamento de dados MSL, e a equipe de Aprendizado de Máquina (ML), encarregada de desenvolver métodos para aumentar as medições de biomassa em nível de projeto e regional usando a tecnologia ML.

Gabija Bernotaite é engenheira de software de pesquisa da MSL e traz uma vasta experiência de trabalho com big data e conjuntos de dados 3D em várias capacidades, inclusive no mundo dos carros automatizados. 

O Dr. Robin Upham é engenheiro de software de pesquisa da MSL, com experiência em técnicas avançadas de estatística, probabilística e aprendizado de máquina, concentrando seu trabalho no processamento lidar para mapeamento de carbono florestal. 

Abhishek Kumar é engenheiro de aprendizagem profunda na equipe de ML. Ele tem mais de 4 anos de experiência no setor na criação e liderança de produtos de aprendizagem profunda de última geração, trabalhando com diferentes startups que preenchem a lacuna entre as esperanças e a ciência concreta.

Piotr Pustelnik é estagiário da equipe de ML. Ele tem formação em física com foco em computação científica e recentemente obteve um mestrado em ciência de dados pela Universidade de Bath.

O Dr. Johannes Hansen é engenheiro de sensoriamento remoto com experiência de doutorado e pós-doutorado em observação da Terra e mapeamento de desmatamento com foco em dados SAR.

‍O Dr. Miro Demol é um cientista da MSL Lidar que investiga as aplicações da varredura a laser na silvicultura, com um interesse especial na estimativa da biomassa acima do solo e sua incerteza.

O Dr. Andrew Burt é um cientista de sensoriamento remoto e ecologista de florestas tropicais da equipe do MSL que, na última década, ajudou a ser pioneiro no uso de escaneamento a laser em florestas.

O Dr. Pedro Rodríguez-Veiga é cientista sênior de pesquisa de observação da Terra na equipe do ML, com mais de 12 anos de experiência no campo da silvicultura, recuperação de biomassa acima do solo usando sensoriamento remoto e monitoramento florestal.