Mapeamento do carbono florestal acima do solo em São Paulo através da fusão de dados LiDAR orbital GEDI e imagens de satélite Planet Scope

• Processo: 24/08886-2
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 10 de novembro de 2024
• Data de Término da vigência: 09 de novembro de 2025
• Área de conhecimento: Ciências Agrárias - Recursos Florestais e Engenharia Florestal - Conservação da Natureza
• Pesquisador responsável: Paulo Guilherme Molin
• Beneficiário: Giulio Brossi Santoro
• Supervisor: Carlos Alberto Silva
• Instituição Sede: Escola Superior de Agricultura Luiz de Queiroz (ESALQ). Universidade de São Paulo (USP). Piracicaba , SP, Brasil
• Instituição Anfitriã: University of Florida, Gainesville (UF), Estados Unidos
• Vinculado à bolsa: 23/00241-0 - Modelagem da biomassa acima do solo na Mata Atlântica paulista: uma abordagem multiescalar, BP.DR
• Assunto(s): Redes neurais convolucionais Aprendizagem profunda Sensoriamento remoto
• Palavra(s)-Chave do Pesquisador: Convolutional Neural Network | Deep Learning | Forest carbon stock | Remote Sensing | Geotecnologias aplicadas aos ecossistemas naturais

Resumo

A perda substancial de florestas, aliada à dependência humana dos combustíveis fósseis, vem causando mudanças irreversíveis na dinâmica climática global. No Brasil, a Mata Atlântica sofreu intenso desmatamento ao longo dos anos, comprometendo a provisão de serviços ecossistêmicos tais como a regulação climática. Vários compromissos nacionais e internacionais de restauração florestal foram estabelecidos buscando minimizar os impactos das mudanças climáticas e do aquecimento global. Assim, o monitoramento florestal é fundamental não apenas para garantir o sucesso da trajetória de restauração, mas também para medir o incremento dos estoques de carbono através da biomassa florestal. O principal objetivo desta proposta de pesquisa é melhorar as estimativas de carbono acima do solo (AGC) derivadas de LiDAR orbital GEDI para florestas nativas do estado de São Paulo usando um modelo tridimensional (3D) de rede neural convolucional (CNN) de regressão de cena. Os métodos incluem i) uma amostragem aleatória das estimativas de AGC derivadas de GEDI de Santoro et al., (2024); ii) aquisição e compilação de imagens multitemporais e multiespectrais do Planet Scope; iii) treinar e avaliar o modelo através de sua função de perda (Erro Quadrático Médio) e outras métricas importantes; iv) execução do modelo CNN-3D para estimar AGC para cobertura florestal nativa; e finalmente iv) validação de valores previstos usando estimativas pré-existentes de GEDI e AGC derivadas de LiDAR aerotransportado. Esperamos gerar um mapa AGC completo e confiável de alta resolução que possa ser usado para estimar a linha de base de carbono em todo o estado de São Paulo, contribuindo para vários compromissos e iniciativas de restauração especialmente focados na regulação climática.