Quantificando mortalidade de árvores com lasers: usando uma abordagem de fusão de dados e modelagem de última geração para estimar a perda de biomassa em florestas tropicais

• Processo: 19/21662-8
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Vigência (Início): 01 de agosto de 2020
• Vigência (Término): 31 de janeiro de 2022
• Área do conhecimento: Ciências Exatas e da Terra - Geociências
• Pesquisador responsável: Luiz Eduardo Oliveira e Cruz de Aragão
• Beneficiário: Ricardo Dal'Agnol da Silva
• Instituição Sede: Instituto Nacional de Pesquisas Espaciais (INPE). Ministério da Ciência, Tecnologia e Inovações (Brasil). São José dos Campos , SP, Brasil
• Assunto(s): Sensoriamento remoto Vegetação Ciclo do carbono Biomassa LIDAR Árvores florestais Florestas tropicais Amazônia Brasileira
• Palavra(s)-Chave do Pesquisador: airborne LiDAR | Amazon | Carbon Cycle | Lpj-Guess | tree mortality | Sensoriamento remoto da vegetação

Resumo

A Floresta Amazônica é um componente essencial do sistema climático global. Consiste em 40% das florestas tropicais, estoca 120 ± 30 Pg de carbono em biomassa e troca constantemente carbono com a atmosfera pela produtividade, mortalidade e decomposição, e também devido ao desmatamento e incêndios. Nosso conhecimento limitado dos processos de mortalidade de árvores restringe nossa capacidade de quantificar com precisão o balanço de carbono das florestas tropicais e afeta nossas previsões de efeitos das mudanças climáticas e ambientais nos estados futuros dos ecossistemas florestais. Nesse contexto, o sensoriamento remoto é a única maneira de obter observações espacialmente consistentes da mortalidade de árvores em grandes regiões. Além disso, os dados LIght Detection And Ranging (LiDAR) podem obter com precisão atributos da estrutura da floresta e de clareiras na floresta, que têm o potencial de serem usados para parametrizar os processos de mortalidade de árvores em modelos de ecossistemas, como o LPJ-GUESS. A variabilidade espacial da estrutura da floresta e clareiras em função de condições ambientais e climáticas contrastantes na Floresta Amazônica é amplamente desconhecida; também não entendemos completamente a influência de fatores de escala local (topografia) e/ou de escala regional, como clima (precipitação, sazonalidade) e propriedades edáficas na estrutura da floresta e na dinâmica de clareiras, nem se essas dinâmicas de clareiras foram convertidas em taxas de mortalidade de árvores. Neste projeto, meu objetivo é fornecer uma avaliação sistemática e espacialmente imparcial das taxas de mortalidade de árvores e do ciclo de carbono relacionado em florestas tropicais usando uma nova abordagem de fusão de dados observacionais e modelagem, aproveitando a disponibilidade recente de um grande conjunto de dados LiDAR de passagem única. O objetivo é responder às seguintes perguntas: (Q1) Como a estrutura da floresta tropical e a dinâmica de clareiras derivadas dos dados aéreos LiDAR variam na Floresta Amazônica brasileira? (Q2) Quais fatores em escala local e/ou regional controlam a dinâmica da Floresta na Amazônia brasileira? (Q3) Podem as informações da estrutura florestal e de clareiras derivadas de dados LiDAR aerotransportado de passagem única ser usadas para caracterizar as taxas de mortalidade de árvores e melhorar sua representação em modelos de ecossistema em larga escala? (Q4) Como essa restrição na dinâmica florestal melhora nossa compreensão do ciclo de carbono da Floresta Amazônica e qual é a contribuição da mortalidade em pequena escala para a troca de carbono? O resultado desta pesquisa consistirá em novos dados de distribuição de tamanho e frequência de clareiras florestais, altura e tamanho de copa e sua distribuição espacial na Amazônia brasileira; um novo método de fusão de dados observacionais e modelagem para derivar taxas de mortalidade de árvores com potencial para ser aplicado globalmente; e estimativas mais precisas do ciclo do carbono para a Floresta Amazônica. (AU)

Publicações científicas

(6)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

ZHANG, HUIXIAN; HAGAN, DANIEL FIIFI TAWIA; DALAGNOL, RICARDO; LIU, YI. orest Canopy Changes in the Southern Amazon during the 2019 Fire Season Based on Passive Microwave and Optical Satellite Observation. REMOTE SENSING, v. 13, n. 12, JUN 2021. (19/21662-8)

PONTES-LOPES, ALINE; SILVA, CAMILA V. J.; BARLOW, JOS; RINCON, LORENA M.; CAMPANHARO, WESLEY A.; NUNES, CASSIO A.; DE ALMEIDA, CATHERINE T.; SILVA JUNIOR, CELSO H. L.; CASSOL, HENRIQUE L. G.; DALAGNOL, RICARDO; et al. Drought-driven wildfire impacts on structure and dynamics in a wet Central Amazonian forest. PROCEEDINGS OF THE ROYAL SOCIETY B-BIOLOGICAL SCIENCES, v. 288, n. 1951, MAY 26 2021. (16/21043-8, 19/21662-8, 18/14423-4, 20/06734-0)

JACON, ALINE DANIELE; GALVAO, LENIO SOARES; DALAGNOL, RICARDO; DOS SANTOS, JOAO ROBERTO. boveground biomass estimates over Brazilian savannas using hyperspectral metrics and machine learning models: experiences with Hyperion/EO-. GIScience & Remote Sensing, v. 58, n. 7, AUG 2021. (19/21662-8)

DALAGNOL, RICARDO; WAGNER, FABIEN H.; GALVAO, LENIO S.; STREHER, ANNIA S.; PHILLIPS, OLIVER L.; GLOOR, EMANUEL; PUGH, THOMAS A. M.; OMETTO, JEAN P. H. B.; ARAGAO, LUIZ E. O. C.. Large-scale variations in the dynamics of Amazon forest canopy gaps from airborne lidar data and opportunities for tree mortality estimates. SCIENTIFIC REPORTS, v. 11, n. 1, JAN 14 2021. (15/22987-7, 16/17652-9, 15/50484-0, 19/21662-8, 19/09248-1)

HEINRICH, VIOLA H. A.; DALAGNOL, RICARDO; CASSOL, HENRIQUE L. G.; ROSAN, THAIS M.; DE ALMEIDA, CATHERINE TORRES; SILVA JUNIOR, CELSO H. L.; CAMPANHARO, WESLEY A.; HOUSE, JOANNA I.; SITCH, STEPHEN; HALES, TRISTRAM C.; et al. Large carbon sink potential of secondary forests in the Brazilian Amazon to mitigate climate change. NATURE COMMUNICATIONS, v. 12, n. 1, MAR 19 2021. (19/21662-8, 18/14423-4, 18/15001-6, 16/02018-2, 19/05440-5)

KUCK, TAHISA NEITZEL; SILVA FILHO, PAULO FERNANDO FERREIRA; SANO, EDSON EYJI; BISPO, POLYANNA DA CONCEICAO; SHIGUEMORI, ELCIO HIDEITI; DALAGNOL, RICARDO. Change Detection of Selective Logging in the Brazilian Amazon Using X-Band SAR Data and Pre-Trained Convolutional Neural Networks. REMOTE SENSING, v. 13, n. 23, DEC 2021. (19/21662-8)