Avaliação do sequestro de carbono em plantios de macaúba (Acrocomia aculeata) através de dados LIDAR e imagens multiespectrais

Abstract

A Macaúba (Acrocomia aculeata) destaca-se como um recurso valioso no combate às mudanças climáticas devido ao seu elevado potencial de sequestro de carbono (absorção de dióxido de carbono atmosférico). Essa característica permite que a espécie desempenhe um papel crucial na mitigação das mudanças climáticas e na geração de créditos de carbono em âmbito internacional. No entanto, a ausência de métodos práticos e modernos para monitorar o incremento de biomassa e o armazenamento de carbono na Macaúba dificulta a gestão sustentável desses recursos naturais. A melhoria na obtenção desses dados é essencial para impulsionar o desenvolvimento econômico nas regiões onde a Macaúba ocorre. Neste contexto, o presente trabalho teve como objetivo implementar um método em larga escala para integrar dados LiDAR aerotransportado com imagens de satélite multiespectrais e, assim, estimar o estoque de carbono em sistemas integrados de produção com Macaúba, localizados na Fazenda Espelho, no município de João Pinheiro, e na estação experimental de Araponga, ambos em Minas Gerais, Brasil. O modelo de melhor desempenho foi extrapolado para diferentes anos e áreas, com o objetivo de avaliar o crescimento da cultura e o aumento da biomassa e do carbono estocado pela Macaúba ao longo do tempo. Os modelos de aprendizado de máquina (machine learning) baseados em satélite Landsat apresentaram os melhores desempenhos preditivos na fase de treinamento, com coeficientes de determinação e (R²) superiores a 0,93 e erros absolutos baixos tanto para a biomassa (RMSE = 5,07 t/ha e MAE = 3,35 t/ha) quanto para o carbono (RMSE = 2,89 t/ha e MAE = 1,93 t/ha). Embora tenha ocorrido uma leve redução de desempenho na validação, esses modelos ainda superaram os demais, obtendo métricas de validação superiores (biomassa: R² = 0,73, RMSE = 11,09 t/ha e MAE = 7,19 t/ha; carbono: R² = 0,71, RMSE = 6,37 t/ha e MAE = 4,13 t/ha). Em contraste, os modelos baseados em redes neurais artificiais apresentaram desempenho inferior, com R² entre 0,70 e 0,81, apesar de exibirem maior estabilidade entre as fases de treinamento e validação. Esses resultados reforçam a viabilidade de aplicação prática do método desenvolvido para monitoramento de carbono. Palavras-chave: Macaúba; Sensoriamento remoto; Estoque de carbonoThe Macaúba stands as a significant asset in the fight against climate change, owing to its remarkable capacity to absorb atmospheric carbon dioxide and its consequential carbon sequestration potential. This attribute holds immense promise in mitigating climate change impacts and fostering the generation of carbon credits within the international market. However, the absence of practical and contemporary methodologies for monitoring Macaúba's biomass increase and carbon storage has impeded the sustainable management of these natural resources. Enhancing the acquisition of such data is imperative to catalyze the economic development of regions where the Macaúba thrives. In this context, this study aimed to implement a large-scale method that integrates airborne LiDAR data with multispectral satellite imagery to estimate carbon stocks in integrated Macaúba production systems, located at Fazenda Espelho in João Pinheiro and the Araponga experimental station, both in Minas Gerais, Brazil. The trained model was extrapolated to different years and regions to evaluate the growth, biomass accumulation, and carbon storage of Macaúba. Among the tested models, those based on machine learning using Landsat satellite imagery demonstrated the highest predictive performance during training, with R² values exceeding 0,93 and lower error rates for both biomass (RMSE = 5,07 t/ha; MAE = 3,35 t/ha) and carbon (RMSE = 2,89 t/ha; MAE = 1,93 t/ha). Although performance declined slightly during validation, these models still outperformed the others (biomass: R² = 0,73, RMSE = 11,09 t/ha, MAE = 7,19 t/ha; carbon: R² = 0,71, RMSE = 6,37 t/ha, MAE = 4,13 t/ha). Neural network-based models showed comparatively lower accuracy, with R² values ranging from 0,70 to 0,81, though their performance was more consistent across training and validation phases. Keywords: Macaúba; Remote sensing; Carbon stock; Dissertation