Sensoriamento orbital e machine learning para mapeamento e estimativa de estoque de carbono de Organossolos sob floresta no Vale do Ribeira (SP) (2025)
- Authors:
- Autor USP: SILVA, BRUNO FERREIRA DA - ESALQ
- Unidade: ESALQ
- Sigla do Departamento: LSO
- DOI: 10.11606/D.11.2025.tde-02102025-180046
- Subjects: APRENDIZADO COMPUTACIONAL; CARBONO; MAPEAMENTO DO SOLO; ORGANOSSOLOS; SENSORIAMENTO REMOTO; SOLO FLORESTAL
- Keywords: Turfeira tropical
- Agências de fomento:
- Language: Português
- Abstract: Os solos orgânicos cumprem funções ecossistêmicas importantes, como a regulação do clima e o armazenamento de carbono. No entanto, seu mapeamento em áreas florestadas é desafiador devido às associações com solos minerais e estabelecer seus limites na paisagem exige abordagens robustas de sensoriamento remoto e campo. Este estudo avaliou o desempenho de algoritmos de aprendizado de máquina na delimitação da área e na modelagem da espessura de Organossolos no vale do baixo rio Ribeira de Iguape (BRRI), principal região com turfeiras litorâneas no sudeste do Brasil. Foram realizados processamentos com repetições e sobreposição dos resultados para obter estimativas consistentes de área, volume de turfa e estoque de carbono. Quatro algoritmos (CART, SVM, RF e GBM) foram aplicados a diferentes conjuntos de variáveis, definidos com base em critérios de importância e autocorrelação. As covariáveis incluíram índices de vegetação e de umidade derivados de sensores ópticos (Sentinel-2), de radar (Sentinel-1 e PALSAR), modelos digitais de elevação (ALOS PALSAR) e altura do dossel (CHM), além de parâmetros extraídos de séries temporais (20152024). O mapeamento considerou 752 amostras de solo orgânico e 764 de solo mineral, obtidas em áreas delimitadas por transeções paralelas e percursos em perímetro. Para a modelagem da espessura da turfa, foram coletados 286 pontos em Organossolos nas áreas reconhecidas. Foram analisados 20 perfis representativos para caracterização física e química ecálculo do estoque de carbono. Os testes foram repetidos 50 vezes por subconjunto de variáveis, com validação cruzada. Os resultados variaram entre Kappa de 0,48 a 0,98 e RMSE de 54,36 a 31,76 cm. Os algoritmos de árvores mostraram maior estabilidade, enquanto o SVM teve melhor desempenho com seleção criteriosa de variáveis. A segmentação por subconjuntos e o uso de séries temporais contribuíram para maior acurácia e generalização dos modelos. Estratégias de ponderação entre algoritmos e repetições ajudaram a reduzir incertezas e geraram estimativas mais confiáveis que a média simples. A partir da modelagem ponderada, estimou-se uma área de 36,7 mil hectares de Organossolos, com volume de turfa de 24,1 milhões de toneladas e estoque médio de carbono de 656,2 Mg ha-1, com espessura média de 1,09 m. Os solos analisados apresentaram predominância de materiais hêmicos e sápricos, com influência marinha em muitos perfis, expressa pela presença de materiais sulfídricos que resultaram no caráter tiomórfico dominante. Esses solos apresentam alta fragilidade ambiental, principalmente em relação à subsidência e acidificação associadas ao rebaixamento do lençol freático. Devido à dificuldade de manejo e ocupação, as áreas de Organossolos estudadas se concentram majoritariamente em unidades de conservação remanescentes no Vale do Ribeira, sugerindo que as turfeiras originalmente teriam sido mais extensas. No entanto, a intensa antropização de outras áreas, especialmente empropriedades privadas sistematizadas no século XX, pode ter alterado as condições naturais da vegetação e do solo, impactando a precisão da modelagem em certas áreas. O protocolo conjunto de integração de dados orbitais multitemporais, algoritmos de machine learning, técnicas de ponderação e controle de campo em transeções mostra-se eficaz para o mapeamento e estimativa de área, volume e carbono em turfeiras tropicais florestadas
- Imprenta:
- Publisher place: Piracicaba
- Date published: 2025
- Data da defesa: 21.07.2025
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
SILVA, Bruno Ferreira da. Sensoriamento orbital e machine learning para mapeamento e estimativa de estoque de carbono de Organossolos sob floresta no Vale do Ribeira (SP). 2025. Dissertação (Mestrado) – Universidade de São Paulo, Piracicaba, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/11/11140/tde-02102025-180046/. Acesso em: 02 jan. 2026. -
APA
Silva, B. F. da. (2025). Sensoriamento orbital e machine learning para mapeamento e estimativa de estoque de carbono de Organossolos sob floresta no Vale do Ribeira (SP) (Dissertação (Mestrado). Universidade de São Paulo, Piracicaba. Recuperado de https://www.teses.usp.br/teses/disponiveis/11/11140/tde-02102025-180046/ -
NLM
Silva BF da. Sensoriamento orbital e machine learning para mapeamento e estimativa de estoque de carbono de Organossolos sob floresta no Vale do Ribeira (SP) [Internet]. 2025 ;[citado 2026 jan. 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11140/tde-02102025-180046/ -
Vancouver
Silva BF da. Sensoriamento orbital e machine learning para mapeamento e estimativa de estoque de carbono de Organossolos sob floresta no Vale do Ribeira (SP) [Internet]. 2025 ;[citado 2026 jan. 02 ] Available from: https://www.teses.usp.br/teses/disponiveis/11/11140/tde-02102025-180046/
Informações sobre o DOI: 10.11606/D.11.2025.tde-02102025-180046 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
