Estimativa de Estoque de Carbono Florestal por Sensoriamento Remoto Baseada em Algoritmos de Aprendizagem de Máquina

Melhorar a precisão da estimativa por sensoriamento remoto e implementar a fusão e análise de dados de múltiplas fontes são cruciais para estimar com precisão o armazenamento de carbono acima do solo em florestas. Utilizando a plataforma Google Earth Engine (GEE) em conjunto com dados de inventário de recursos florestais nacionais e imagens de sensoriamento remoto multiespectral do Landsat 8, esta pesquisa aplica quatro algoritmos de aprendizagem de máquina disponíveis na plataforma GEE: Random Forest (RF), Árvores de Classificação e Regressão (CART), Árvores de Aumento Gradual (GBT) e Máquina de Vetores de Suporte (SVM). Usando esses algoritmos, toda a Província de Yunnan é classificada em sete categorias, incluindo floresta de folhas largas, floresta de coníferas, floresta mista de folhas largas e coníferas, corpos d'água, áreas urbanizadas, terras cultivadas e outros tipos. Após uma comparação minuciosa, a pesquisa revela que o algoritmo RF supera os outros em precisão e confiabilidade, tornando-se a escolha mais adequada para estimar o armazenamento de carbono acima do solo em florestas usando dados de sensoriamento remoto. Portanto, o estudo utilizou o algoritmo RF tanto para a classificação de florestas quanto para a estimativa do armazenamento de carbono. Extraindo fatores de sensoriamento remoto; usando o coeficiente de correlação de Pearson para selecionar os fatores mais relevantes; e utilizando regressão linear múltipla, regressão RF e regressão de árvore de decisão, um modelo para estimar estoques de carbono acima do solo em florestas foi desenvolvido. Os resultados indicam que, entre os quatro algoritmos de classificação, o classificador RF demonstra desempenho superior, com uma precisão geral de 84,96% e um coeficiente Kappa de 76,46%. Nos modelos de regressão RF, os valores de R2 para os modelos de floresta de coníferas, floresta de folhas largas e floresta mista de agulhas e folhas largas são 0,636, 0,663 e 0,638, respectivamente. Em ambos, RF e CART, os valores de R2 para os três modelos de tipo de floresta são superiores a 0,6, indicando um desempenho satisfatório de ajuste do modelo. Este estudo visa explorar a possibilidade de melhorar a estimativa dos estoques de carbono florestal em áreas de grande escala através de uma classificação de uso do solo mais detalhada. Além disso, as fontes de dados utilizadas são completamente gratuitas, e a resolução média a baixa pode fornecer um valor de referência melhor para aplicações práticas, reduzindo assim o custo de utilização.