Resumo Executivo

_{Autora: Ana Clara Arrais Haidar — Orientador: Pedro Paulo Gomes De Oliveira}

^{Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.}

Este estudo objetiva estimar a biomassa acima do solo e o estoque de carbono da vegetação lenhosa de um cerrado em Cavalcante (GO), na Chapada dos Veadeiros, a partir de dados de campo, e relacionar os resultados a dados de sensoriamento remoto do satélite Global Ecosystem Dynamics Investigation [GEDI]. A investigação integra inventário florestal e sensoriamento remoto para analisar comparativamente as fitofisionomias de Mata de Galeria, Cerrado Rupestre e Cerrado Ralo, buscando compreender os gradientes estruturais e de acúmulo de biomassa, essenciais para o monitoramento ambiental.

O Cerrado, a savana mais biodiversa do mundo, ocupa mais de 20% do território brasileiro e desempenha um papel crucial no equilíbrio hídrico e climático (Ribeiro e Walter, 2008). Contudo, o bioma enfrenta intensa pressão antrópica pela expansão agrícola, pecuária e produção de carvão. Estima-se que menos da metade de sua cobertura original permaneça intacta, um processo que acarreta perdas de biodiversidade e estoques de carbono (Souza et al., 2020). Um estudo de Gomes et al. (2024) sobre o balanço de carbono entre 1985 e 2020 revelou que as emissões de CO₂, majoritariamente de queimadas, superaram a capacidade de remoção do bioma, evidenciando sua vulnerabilidade.

Nesse cenário, estimativas precisas de biomassa são fundamentais para quantificar estoques de carbono, avaliar o impacto do desmatamento e subsidiar políticas como a de Redução de Emissões por Desmatamento e Degradação Florestal (REDD+). A tarefa é complexa devido à heterogeneidade do Cerrado, um mosaico de onze fitofisionomias que variam de formações campestres a florestas densas, cada uma com estrutura única (Ribeiro e Walter, 2008). Essa variabilidade exige abordagens metodológicas robustas.

Para superar esses desafios, o sensoriamento remoto com tecnologia LiDAR (Light Detection and Ranging) emergiu como uma ferramenta indispensável. O sistema LiDAR espacial GEDI, a bordo da Estação Espacial Internacional, mapeia a estrutura tridimensional das florestas globalmente. Sua capacidade de penetrar o dossel e registrar o perfil vertical da vegetação permite derivar métricas biofísicas detalhadas, como altura e cobertura, com alta precisão (Tang e Armston, 2019; Hofton et al., 2019). A aplicação dos dados GEDI neste estudo visa complementar as medições de campo, fornecendo uma visão espacialmente abrangente da estrutura da vegetação.

A integração de dados de inventário florestal, que fornecem medições diretas em parcelas, com os dados GEDI, que oferecem ampla cobertura espacial, constitui uma abordagem sinérgica. Essa combinação permite calibrar e validar modelos de biomassa, além de extrapolar estimativas para áreas maiores. Este trabalho, aplicando métodos como reamostragem bootstrap e Análise de Componentes Principais, explora as inter-relações entre variáveis de campo e métricas do satélite para avançar o conhecimento sobre a dinâmica do carbono no Cerrado e fornecer subsídios para sua conservação.

A pesquisa foi conduzida em uma área de 834.843 m² em Cavalcante, Goiás. Os dados de campo, coletados em janeiro de 2021, abrangeram três fitofisionomias: Mata de Galeria (83.481 m²), Cerrado Rupestre (208.042 m²) e Cerrado Ralo (543.320 m²). Conforme Ribeiro e Walter (2008), a Mata de Galeria é uma formação florestal densa com dossel fechado e árvores de 20 a 30 metros. Em contraste, o Cerrado Rupestre e o Ralo são mais abertos, com cobertura arbórea de 5% a 20% e altura média de 2 a 4 metros.

A amostragem foi realizada em 35 parcelas: 20 de 400 m² (20 m x 20 m) na Mata de Galeria e 15 de 1.000 m² (20 m x 50 m) no Cerrado stricto sensu, sendo 8 no Rupestre e 7 no Ralo. Em cada parcela, foram inventariados todos os indivíduos lenhosos, registrando-se espécie, família, diâmetro (a 30 cm do solo no Cerrado stricto sensu e à altura do peito na Mata de Galeria) e altura total. Foram coletados dados de 1.778 indivíduos: 492 na Mata de Galeria, 891 no Cerrado Rupestre e 395 no Cerrado Ralo.

A biomassa aérea individual foi estimada com equações alométricas específicas: a de Rezende et al. (2006) para o Cerrado stricto sensu e a de Chave et al. (2014) para a Mata de Galeria. A densidade da madeira foi obtida de um banco de dados global (Chave et al., 2009; Zanne et al., 2012) via pacote BIOMASS em R (Réjou-Méchain et al., 2017). A inferência da biomassa para a área total usou duas abordagens: um método frequentista com distribuição t de Student (Andrade e Kinas, 2008; Freire, 2021) e reamostragem bootstrap com 10.000 iterações. O estoque de carbono foi calculado como 49% da biomassa, conforme Higa et al. (2014).

Para a análise de sensoriamento remoto, foram utilizados dados do GEDI (versão 2), produtos L1B, L2A e L2B. O processamento incluiu a seleção de trajetórias, download via Earthdata Search (NASA, 2025), recorte espacial e filtro de qualidade (quality_flag = 1), seguindo recomendações do LP DAAC (2024) e documentos técnicos (Tang e Armston, 2019; Hofton et al., 2019). Dos 75 pulsos iniciais de 2021, 30 atenderam aos critérios. Devido à baixa densidade, aplicou-se a interpolação por Ponderação pelo Inverso da Distância (IDW) para gerar superfícies contínuas das métricas de GEDI (RH 100%, CCF, FHD, PAVD, PAI). Uma Análise de Componentes Principais (PCA) foi realizada para investigar as relações entre a biomassa de campo e as métricas interpoladas (Fávero; Belfiore, 2021).

A análise de campo revelou diferenças estruturais marcantes. A Mata de Galeria apresentou a maior altura média (10,16 m), comparada ao Cerrado Rupestre (4,87 m) e Ralo (3,66 m). A variabilidade do diâmetro foi elevada em todas as formações, variando de 5 cm a mais de 50 cm, com outliers de grande porte. Essas diferenças se refletiram na biomassa aérea individual: a Mata de Galeria registrou a maior média por indivíduo (0,17 t), enquanto Cerrado Rupestre (0,06 t) e Ralo (0,05 t) tiveram valores menores e semelhantes. A distribuição da biomassa foi assimétrica, com poucos indivíduos de grande porte contribuindo desproporcionalmente para o total, reforçando a importância de considerar outliers na amostragem.

A extrapolação da biomassa para a paisagem confirmou o gradiente de produtividade: a Mata de Galeria apresentou a maior concentração (106,25 t/ha), seguida pelo Cerrado Rupestre (64,8 t/ha) e Cerrado Ralo (27,9 t/ha). Os intervalos de confiança do método bootstrap foram mais estreitos que os do método frequentista, sugerindo maior precisão. A estimativa total de biomassa para a área, via bootstrap, foi de 3.100,40 t a 4.544,63 t, correspondendo a um estoque de carbono entre 1.519,20 t e 2.226,87 t.

Os dados GEDI corroboraram os padrões de campo. As formas de onda (L1B) indicaram um dossel relativamente baixo, com a maior parte da energia retornada de alturas inferiores a 10 metros. As métricas L2A (RH 100%) e L2B (PAVD, PAI, CCF, FHD) seguiram o gradiente observado, com a Mata de Galeria exibindo os maiores valores de altura (mediana 7,28 m, máximo 14 m), densidade e complexidade estrutural (FHD mediana 1,87). O Cerrado Ralo apresentou os menores valores (altura mediana 5,37 m; FHD mediana 1,50), enquanto o Cerrado Rupestre ocupou uma posição intermediária (FHD mediana 1,62).

Os mapas gerados por interpolação IDW permitiram visualizar a distribuição espacial dessas métricas, reforçando a distinção entre as fitofisionomias. A Mata de Galeria consistentemente apresentou valores mais elevados para todas as métricas de altura, densidade e cobertura. Apesar das limitações do método de interpolação, como a suavização de variações locais e a dependência da baixa densidade de pontos GEDI, os mapas forneceram uma representação espacial coerente dos gradientes estruturais.

A Análise de Componentes Principais (PCA) sintetizou as relações entre biomassa e métricas GEDI. O primeiro componente (PC1), explicando 77% da variabilidade total, foi fortemente influenciado por todas as métricas de sensoriamento remoto (RH 100%, PAI, PAVD, CCF e FHD), representando um eixo de “complexidade estrutural da vegetação”. O segundo componente (PC2), com 17,6% da variância, foi quase que exclusivamente dominado pela biomassa. A projeção das parcelas no espaço da PCA separou claramente as fitofisionomias ao longo do PC1: Mata de Galeria agrupou-se no extremo de alta complexidade, e o Cerrado Ralo no oposto. A quase ortogonalidade entre PC1 e PC2 sugere que a biomassa contém uma variação não totalmente capturada pelas métricas de estrutura do GEDI, possivelmente relacionada a fatores como densidade da madeira e alocação de biomassa.

As limitações do estudo incluem o uso de equações alométricas gerais, a incerteza na densidade da madeira, o número reduzido de pulsos GEDI de alta qualidade e a interpolação IDW, que pode suavizar a heterogeneidade do ecossistema. Contudo, a consistência dos padrões observados entre dados de campo e de satélite confere robustez às conclusões, demonstrando que a abordagem integrada é viável e informativa para uma caracterização multifacetada da vegetação.

Este estudo demonstrou que a biomassa aérea e o estoque de carbono variam expressivamente entre as fitofisionomias de Mata de Galeria, Cerrado Rupestre e Cerrado Ralo. A Mata de Galeria apresentou maior acúmulo de biomassa por hectare e maior complexidade estrutural, enquanto o Cerrado Ralo apresentou os menores valores. As métricas do satélite GEDI foram eficazes em mapear esses gradientes, e a PCA revelou uma independência parcial da biomassa em relação às métricas de estrutura vertical, sugerindo a importância de fatores como a densidade da madeira. Apesar das limitações, a pesquisa forneceu evidências consistentes sobre a relação entre estrutura e biomassa, contribuindo para a compreensão da dinâmica do carbono no Cerrado. A metodologia integrada oferece insumos para monitoramento em larga escala, essencial para a conservação deste bioma. Conclui-se que o objetivo foi atingido: demonstrou-se que a combinação de dados de campo e sensoriamento remoto foi eficaz para estimar a biomassa, caracterizar a estrutura da vegetação e identificar gradientes claros entre as diferentes fitofisionomias do Cerrado estudado.

Referências:
^{Andrade, H. A.; Kinas, P. G. 2008. Inferência em ecologia: comentários e um exemplo. Disponível em: https://periodicos. furg. br/atlantica/article/download/1513/664/3624
Beck, J.; Bradford, W.; Dubayah, R.; Luthcke, S.; Blair, J. B.; Hofton, M.; Armston, J.; Tang, H. 2021. Global Ecosystem Dynamics Investigation (GEDI) Level 1B User Guide. Disponível em: https://lpdaac. usgs. gov/documents/987/GEDI01BUserGuideV2. pdf
Beck, J.; Bradford, W.; Dubayah, R.; Luthcke, S.; Blair, J. B.; Hofton, M.; Armston, J.; Tang, H. 2021. Global Ecosystem Dynamics Investigation (GEDI) Level 2 User Guide. Disponível em: https://lpdaac. usgs. gov/documents/986/GEDI02UserGuideV2. pdf
Chave, J.; Coomes, D.; Jansen, S.; Lewis, S.; Swenson, N.; Zanne, A. E. 2009. Towards a worldwide wood economics spectrum. Ecology Letters, 12: 351-366. DOI:10.1111/j.1461-0248.2009.01285. x.
Chave, J.; et al. 2014. Improved allometric models to estimate the aboveground biomass of tropical trees. Global Change Biology, 20: 3177-3190.
Dubayah, R.; Luthcke, S.; Blair, J. B.; Hofton, M.; Armston, J.; Tang, H. 2021. GEDI L1B Geolocated Waveform Data Global Footprint Level V002 [Data set]. NASA EOSDIS Land Processes DAAC. Disponível em: https://doi. org/10.5067/GEDI/GEDI01B.002.
Dubayah, R.; Luthcke, S.; Blair, J. B.; Hofton, M.; Armston, J.; Tang, H. 2021. GEDI L2A Elevation and Height Metrics Data Global Footprint Level V002 [Data set]. NASA EOSDIS Land Processes DAAC. Disponível em: https://doi. org/10.5067/GEDI/GEDI02A.002.
Dubayah, R.; Luthcke, S.; Blair, J. B.; Hofton, M.; Armston, J.; Tang, H. 2021. GEDI L2B Canopy Cover and Vertical Profile Metrics Data Global Footprint Level V002 [Data set]. NASA EOSDIS Land Processes DAAC. Disponível em: https://doi. org/10.5067/GEDI/GEDI02B.002.
Fávero, L. P.; Belfiore, P. 2021. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. 1ed. Elsevier, Rio de Janeiro, RJ, Brasil.
Freire, S. M. 2021. Bioestatística básica [livro eletrônico]. Rio de Janeiro. ISBN 978-65-00-35696-0. Disponível em: https://www. lampada. uerj. br/arquivosdb/book/bioestatisticabasica. html.
Gomes, L.; Schüler, J.; Silva, C.; Alencar, A.; Zimbres, B.; Arruda, V.; Silva, W. V. d.; Souza, E.; Shimbo, J.; Marimon, B. S.; et al. 2024. Impacts of fire frequency on net CO2 emissions in the Cerrado savanna vegetation. Fire, 7: 280. Disponível em: https://doi. org/10.3390/fire7080280.
Higa, R. C. V.; Cardoso, D. J.; Andrade, G. C.; et al. 2014. Protocolo de medição e estimativa de biomassa e carbono florestal. Embrapa Florestas. ISSN 1980-3958. Disponível em: https://www. infoteca. cnptia. embrapa. br/infoteca/bitstream/doc/1011409/1/Doc.266. pdf.
Hofton, M.; Blair, J. B.; et al. 2019. Algorithm Theoretical Basis Document (ATBD) for GEDI Transmit and Receive Waveform Processing for L1 and L2 Products. Disponível em: https://lpdaac. usgs. gov/documents/581/GEDIWFATBDv1.0. pdf.
Land Processes Distributed Active Archive Center [LP DAAC]. 2024. GEDI Data Resources Repository. Disponível em: https://github. com/nasa/GEDI-Data-Resources/tree/main.
Luthcke, S.; Rebold, T.; Thomas, T.; Pennington, T. 2019. Algorithm Theoretical Basis Document (ATBD) for GEDI Waveform Geolocation for L1 and L2 Products. Disponível em: https://lpdaac. usgs. gov/documents/579/GEDI_WFGEOATBD_v1.0. pdf.
National Aeronautics and Space Administration [NASA]. 2025. Earthdata Search. Disponível em: https://search. earthdata. nasa. gov/search? q=GEDI.
R Core Team. 2025. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Áustria. Disponível em: https://www. R-project. org/.
Réjou-Méchain, M.; Tanguy, A.; Piponiot, C.; Chave, J.; Herault, B. 2017. BIOMASS: an R package for estimating above-ground biomass and its uncertainty in tropical forests. Methods in Ecology and Evolution. DOI:10.1111/2041-210X.12753. Disponível em: https://doi. org/10.1111/2041-210X.12753.
Rezende, A. V.; Vale, A. T.; Sanquetta, C.}

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}