Estimativa de biomassa e estoque de carbono de vegetação macrofítica a partir de dados espectrais e de campo, Banhado Grande, RS

Diante do cenário de mudanças climáticas, as Áreas Úmidas (AUs) tem se destacado por atuarem substancialmente como sumidouro de CO2 atmosférico a partir de sua fixação na biomassa vegetal e nas turfeiras. No entanto, a degradação destes ecossistemas faz com que as AUs passem de ecossistemas fixadores de CO2 para fonte de gases de efeito estufa. Desse modo, quantificar e monitorar biomassa é de grande importância para preservar os estoques de carbono, bem como estimativas acuradas de carbono podem contribuir para preservação, prevenção de perdas e restauração destes ecossistemas. Este estudo teve como objetivo principal estimar biomassa vegetal e estoques de carbono orgânico da espécie Scirpus giganteus, no Banhado Grande – RS, a partir de dados espectrais e dados de campo. Para tanto, utilizou-se dois métodos: i) delimitação da área da espécie por Analise de Imagem Baseada em Objetos Geográficos (GEOBIA) e mineração de dados Ramdon Forest, integrando imagens dos sensores Sentinel 1 e 2A; e ii) análise de correlação e regressão linear a partir de dados de campo e espectrais dos sensores PlanetScope e Sentinel-2A. Coletas de vegetação foram realizadas em área experimental no Banhado Grande, município de Glorinha, durante um ciclo anual. Na GEOBIA foi utilizado o método de mineração de dados Random Forest (RF) para classificação de espécies de vegetação no Banhado Grande, visando delimitar a área ocupada pela espécie S.giganteus e estimar os estoques das variáveis biofísicas para sua área total de cobertura. As equações de regressão envolveram como variáveis dependentes (y): a biomassa e o carbono orgânico vegetal, obtidos diretamente nas amostras, 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 e múltipla, com as seguintes estatísticas: R², R²aj., EQM, CV%, DP e análise de resíduos. Como resultados, a classificação GEOBIA alcançou uma acurácia de 91,3% e de 91% para a classe Emergente, correspondente à área da S.gigantes (1.507 ha). Considerando os valores médios, obteve-se um estoque de biomassa de 8,63 ton/ha e 3,54 ton/ha de carbono orgânico para a área da classe. Os índices de vegetação foram mais bem correlacionados e preferíveis como variáveis preditoras nos modelos de regressão. O modelo mais acurado ocorreu com dados do sensor PlanetScope e IV sPRI, a partir de uma regressão linear simples. Gerou uma estimativa média de 656.33 g/m² de biomassa (EQM =157,10 g/m², 23,8% da biomassa média observada) e de 270.81 g/m² de carbono (EQM =62,77 g/m², 23% do carbono médio observado). Além de proverem estimativas atuais das variáveis biofísicas, com relativa confiabilidade, o uso destas metodologias a partir de dados dos sensores ópticos e SAR possibilitam minimizar os esforços de campo, mostrando-se especialmente úteis para monitoramento e inventário dos estoques de carbono. Contribuem desse modo, com o reconhecimento da função ambiental do Banhado Grande como ecossistema de carbono azul.Given the climate change scenario, the wetlands have stood out for acting substantially as atmospheric CO2 sinks from their fixation on plant biomass and peat bogs. However, the degradation of these ecosystems causes wetlands to move from CO2-fixing ecosystems to a source of greenhouse gases. Thus, quantifying and monitoring biomass is of great importance for preserving carbon stocks, and accurate carbon estimates can contribute to the preservation, loss prevention and restoration of these ecosystems. This study aimed to estimate plant biomass and organic carbon stocks of Scirpus giganteus species in Banhado Grande, from spectral data and field data. For this purpose, two methods were used: i) delimitation of the species area by Geographic Object Based Image Analysis (GEOBIA) and Ramdon Forest data mining, integrating Sentinel 1 and 2A sensor images; and ii) correlation and linear regression analysis from field and spectral data from the PlanetScope and Sentinel-2A sensors. Vegetation collections were performed in an experimental area in Banhado Grande, municipality of Glorinha-RS, during an annual cycle. In GEOBIA, the Random Forest (RF) data mining method was used to classify vegetation species in Banhado Grande, aiming to delimit the area occupied by the species S.giganteus and to estimate the stocks of biophysical variables for their total coverage area. The regression equations involved as dependent variables (y): oboveground biomass and organic carbon, obtained directly in the samples, and as independent variables (x) the spectral bands and the vegetation indices (VIs). The statistical treatment involved the analysis of the correlation matrix (r) between the variables x and y; the simple and multiple linear regression analysis, with the following statistics: R², R²aj., RMSE, CV%, SD and residual analysis. As a result, the GEOBIA classification reached an accuracy of 91.3% and 91% for the Emerging class, corresponding to the S.gigantes area (1,507 ha). Considering the average values, a aboveground biomass stock of 8.63 tons/ha and 3.54 tons/ha of organic carbon were obtained for the class area. Vegetation indices were better correlated and preferable as predictor variables in the regression models. The most accurate model occurred with data from the PlanetScope and VI sPRI sensor from a simple linear regression. It generated an average estimate of 656.33 g/m² of biomass (RMSE = 157.10 g / m², 23.8% of the average observed biomass) and 270.81 g/m² of carbon (RMSE = 62.77 g / m², 23% of the observed average carbon). In addition to providing current estimates of biophysical variables with relative reliability, the use of these methodologies from the optical sensor and SAR data makes it possible to minimize field efforts and is especially useful for monitoring and inventorying carbon stocks. They also contributed to the recognition of Banhado Grande's environmental function as a blue carbon ecosystem