Modelagem da infestação de lianas e da biomassa do fuste de árvores em fragmentos de Mata Atlântica

Abstract

A Mata Atlântica, uma das florestas tropicais mais biodiversas do mundo, atualmente sofre com a degradação e fragmentação, restando apenas cerca de 12% de sua extensão original. A fragmentação florestal impacta negativamente a biomassa florestal, reduzindo a densidade e a diversidade de árvores e aumentando a abundância de lianas. Portanto, compreender e modelar a ocorrência e a abundância de lianas, assim como a biomassa das árvores, é essencial para a conservação e manejo sustentável da Mata Atlântica. Assim, os objetivos deste trabalho foram classificar a ocorrência de árvores infestadas por lianas em fragmentos de Mata Atlântica utilizando técnicas de aprendizagem de máquina (Capítulo I); projetar a abundância de árvores infestadas por lianas utilizando técnicas de aprendizagem de máquina (Capítulo II); e predizer a biomassa do fuste de árvores integrando descritores texturais da matriz de coocorrência em níveis de cinza (GLCM) e aprendizagem de máquina, incluindo a abundância de árvores infestadas por lianas nos modelos (Capítulo III). Na modelagem da ocorrência de árvores infestadas por lianas, a análise de variáveis como altura total das árvores e diâmetro à 1,30 m de altura indicam que árvores maiores oferecem mais suporte para o crescimento das lianas. Na modelagem da abundância de árvores infestadas por lianas, a área basal por hectare, grupo ecológico, fósforo remanescente no solo e a concentração de alumínio trocável foram variáveis cruciais. A maior área basal sugere uma floresta mais madura, proporcionando o fechamento do dossel e redução das lianas. Já a alta concentração de alumínio trocável indica um ambiente competitivo mais favorável para as lianas devido à toxicidade para muitas plantas. Na predição da biomassa do fuste de árvores utilizando descritores texturais GLCM e aprendizagem de máquina utilizando dados do sensor Landsat 7, foram extraídos descritores texturais durante períodos secos e chuvosos. As técnicas de aprendizagem de máquina, como a regressão vetorial de suporte (RVS) e redes neurais artificiais (RNA), mostraram robustez na validação, especialmente a RVS durante o período seco. A inclusão de variáveis texturais e a consideração da abundância de árvores infestadas por lianas melhoraram a precisão dos modelos, destacando a importância de adaptar os modelos às condições sazonais e estruturais da vegetação. Esses resultados ressaltam a eficácia das técnicas de aprendizagem de máquina na modelagem da infestação de lianas, bem como na predição da biomassa do fuste de árvores. Além disso a inclusão de fatores ambientais e antrópicos proporcionam uma compreensão detalhada dos fragmentos florestais, promovendo um manejo sustentável da Mata Atlântica. Palavras-chave: distúrbios em florestas; infestação; manejo florestal.The Atlantic Forest, one of the world's most biodiverse tropical forests, currently faces severe degradation and fragmentation, with only about 12% of its original extent remaining. Forest fragmentation negatively impacts forest biomass, reducing tree density and diversity while increasing liana abundance. Therefore, understanding and modeling liana occurrence and abundance, as well as tree biomass, are essential for the conservation and sustainable management of the Atlantic Forest. The objectives of this study were to classify the occurrence of liana- infested trees in Atlantic Forest fragments using machine learning techniques (Chapter I); project the abundance of liana-infested trees using machine learning techniques (Chapter II); and predict tree stem biomass by integrating texture descriptors from the Gray-Level Co-occurrence Matrix (GLCM) and machine learning, including liana-infested tree abundance in the models (Chapter III). In modeling the occurrence of liana-infested trees, the analysis of variables such as total tree height and diameter at breast height (DBH, 1.3 m above the ground) indicated that larger trees provide more support for liana growth. In modeling the abundance of liana- infested trees, key variables included basal area per hectare, ecological group, residual phosphorus in the soil, and exchangeable aluminum concentration. Higher basal area suggests a more mature forest, contributing to canopy closure and reducing liana growth. On the other hand, high exchangeable aluminum concentrations indicate a competitive environment more favorable for lianas due to its toxicity to many plant species. In predicting tree stem biomass using GLCM texture descriptors and machine learning, based on data from the Landsat 7 sensor, texture descriptors were extracted during dry and wet seasons. Machine learning techniques, such as Support Vector Regression (SVR) and Artificial Neural Networks (ANN), demonstrated robustness during validation, particularly SVR during the dry period. The inclusion of texture variables and the consideration of lianainfested tree abundance improved model accuracy, highlighting the importance of adapting models to the seasonal and structural conditions of vegetation. These results underscore the effectiveness of machine learning techniques in modeling liana infestation as well as in predicting tree stem biomass. Additionally, incorporating environmental and anthropogenic factors provided a detailed understanding of forest fragments, promoting the sustainable management of the Atlantic Forest. Keywords: forest disturbances; infestation; forest management.