INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA – INPA
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS
ALTERAÇÃO DA COBERTURA FLORESTAL E BIOMASSA EM
ÁREA DE MANEJO FLORESTAL NO ESTADO DO ACRE
INTEGRANDO DADOS DE CAMPO E SENSORES REMOTOS
NARA VIDAL PANTOJA
Manaus, Amazonas Agosto, 2017
NARA VIDAL PANTOJA
ALTERAÇÃO DA COBERTURA FLORESTAL E BIOMASSA EM
ÁREA DE MANEJO FLORESTAL NO ESTADO DO ACRE
INTEGRANDO DADOS DE CAMPO E SENSORES REMOTOS
Orientador: DR. NIRO HIGUCHI
Coorientador: DR. MARCUS VINÍCIO NEVES D’OLIVEIRA
Tese apresentada ao Programa de Pós-Graduação do Instituto Nacional de Pesquisas da Amazônia como parte dos requisitos para obtenção do título de Doutora em Ciências de Florestas Tropicais.
Manaus, Amazonas Agosto, 2017
ii NARA VIDAL PANTOJA
ALTERAÇÃO DA COBERTURA FLORESTAL E BIOMASSA EM
ÁREA DE MANEJO FLORESTAL NO ESTADO DO ACRE
INTEGRANDO DADOS DE CAMPO E SENSORES REMOTOS
Aprovada em 31 de agosto de 2017.
BANCA EXAMINADORA:
Dr. Bruce Walker Nelson
Instituto Nacional de Pesquisas da Amazônia
Dr. Evandro José Linhares
Instituto Nacional de Pesquisas da Amazônia
Dr. Henrique dos Santos Pereira Universidade Federal do Amazonas
Dr. Irving Foster Brown Woods Hole Research Center
Dra. Thelma Krug
iii
P198 Pantoja, Nara Vidal
Alteração da cobertura florestal e biomassa em área de manejo florestal no Estado do Acre integrando dados de campo e sensores remotos / Nara Vidal Pantoja. --- Manaus: [s.n.], 2017.
90 f. : il. color.
Tese (Doutorado) --- INPA, Manaus, 2017. Orientador : Niro Higuchi.
Coorientador: Marcus Vinício Neves D'Oliveira. Área de concentração: Ciências de Florestas Tropicais.
1. Manejo florestal. 2. Landsat. 3. LiDAR. 4. Sensoriamento Remoto. 5. REDD+. I. Título.
CDD 634.928
Sinopse:
Estudou-se as alterações da cobertura florestal causadas pela exploração madeireira em uma área de manejo florestal sob concessão na Floresta Estadual do Antimary no Acre utilizando produtos de Sensoriamento Remoto (Landsat, RapidEye e LiDAR) para detecção dos indícios da infraestrutura florestal. A alteração da cobertura florestal e da biomassa estimada com dados LiDAR foi comparada com levantamento em campo na área de exploração florestal.
Palavras-chave: Atividade madeireira, infraestrutura da exploração,
iv
Com amor e gratidão, Aos meus pais Braga e Nazaré.
v
AGRADECIMENTOS
Este trabalho não seria possível sem a participação de muitas pessoas e instituições que de alguma forma contribuíram neste período.
Em primeiro lugar, eu agradeço ao meu orientador Dr. Niro Higuchi por ter apoiado a construção dessa pesquisa, com discussões e ensinamentos no desenvolvimento do projeto e ao meu coorientador Dr. Marcus D’Oliveira pelo incentivo e acompanhamento nas diferentes fases do trabalho.
Ao Dr. Ary Vieira pelo apoio e coordenação do projeto de Doutorado Institucional INPA/UFAC e ao Dr. José Francisco pelo auxílio em questões específicas do DINTER. Ao Dr. Foster Brown pelos ensinamentos e inspiração que me acompanham desde a graduação e sobretudo pelo estímulo à formação da comunidade científica do Acre. Aos membros da banca examinadora pela excelente contribuição e comentários construtivos para a tese.
Ao Dr. Paulo Graça pela disposição em ajudar e por contribuir com sua experiência com comentários e conversas durante o doutorado.
À Dra. Liana Anderson pelo apoio e sugestões no projeto de tese.
Aos pesquisadores Dr. Yosio Shimabukuro, Dr. Luiz Aragão e Dr. Egídio Arai pelas contribuições. Em especial ao Dr. Dalton Valeriano pelos ensinamentos sobre monitoramento da Amazônia.
Ao Dr. Fernando Espírito pelos comentários no processo da pesquisa e disponibilidade em colaborar.
Ao Igor Agapejev pela ajuda fundamental em compartilhar os dados do plano de manejo e disponibilidade em esclarecer minhas dúvidas.
Ao Givanildo Ortega e Manoel Freire pela ajuda no trabalho de campo. Aos técnicos da Embrapa Airton, Aldeci e Paulo pela companhia durante as campanhas de campo e aos funcionários da base do Antimary pelo suporte e acomodações no acampamento.
Ao DINTER INPA/UFAC pela oportunidade de formação e ao INPA pelo programa de Pós-Graduação em Ciências de Florestas Tropicais.
Ao Laboratório de Manejo Florestal por me nutrir com orgulho, agradecimento e vontade de colaborar por fazer parte da equipe. Além de disponibilizar estrutura de trabalho e pelas oportunidades de capacitação ao longo do doutorado. Agradeço também aos funcionários da ZF-2 pela interação e convívio durante as disciplinas e cursos. Minha sincera gratidão também aos pesquisadores Dr. Joaquim dos Santos, Dr. Adriano Lima e Dr. Moacir Campos.
vi À CAPES pelo financiamento do projeto de pesquisa Pró-Integração (Nº 3172/2013) que financiou o sobrevoo do LiDAR e a pesquisa de campo e pelo financiamento do Programa de Doutorado Institucional (Nº 459/2013).
Ao Ibama, instituição a qual pertenço, por permitir a realização deste doutorado concedendo minha licença para capacitação.
À Embrapa/Acre pela parceria institucional, além de fornecer infraestrutura de trabalho e apoio logístico.
À Agência de Cooperação Internacional do Japão pelos conhecimentos e vivências durante o curso “Capacity Building for National Forest Monitoring System to Promote
REDD+ and Sustainable Forest Management”.
À FAPAC pelo apoio financeiro disponibilizado.
À SEDENS pela parceria para o desenvolvimento da pesquisa na Floresta Estadual do Antimary.
Ao Carnegie Institution for Science pela licença do CLASLite.
Aos amigos da turma do DINTER, Anelena, Willian, Elsa, Gleisson, João Ricardo, Pedro Ferraz e Sonaira pelo convívio, ajuda e amizade.
Aos amigos que conheci no INPA pelas conversas, troca de ideias e convívio. Minha gratidão à Aurora, Aline, Flávia, Gel, Pedro, Ju, Leo e Nathan pela ajuda na reta final. À Anne e à sua família pela amizade e pelas vezes me recebeu em sua casa oferecendo acolhida e boas conversas durante as temporadas em Manaus.
Ao meu primo Júnior e sua família pelas visitas durante minhas idas à Manaus. Aos amigos da Embrapa/Acre pelos felizes momentos de descontração.
Aos meus colegas do Ibama/Acre que me apoiaram durante o meu afastamento para o doutorado.
Ao Anderson, que esteve ao meu lado durante esse percurso e à sua família pelo apoio. Aos meus grandes amigos e amigas, sobretudo aqueles que me ouviram e motivaram no momento que mais precisei durante essa trajetória.
Aos meus pais, Braga e Nazaré, por sempre me apoiarem e pelas orações que me encorajaram sempre. À minha irmã Najara pelo apoio e torcida. Ao Bil, meu companheirinho de estudos e escrita com seu chamego e ronronar.
vii
“O correr da vida embrulha tudo. A vida é assim:
esquenta e esfria, aperta e daí afrouxa, sossega e depois desinquieta. O que ela quer da gente é coragem”.
Guimarães Rosa
“Minhas raízes estão no ar Minha casa é qualquer lugar
Se depender de mim Eu vou até o fim Voando sem instrumentos
Ao sabor do vento Se depender de mim
Eu vou até o fim”.
viii
RESUMO
A exploração madeireira praticada a partir dos princípios do manejo florestal é uma estratégia de gestão promissora para a conservação da biodiversidade e sequestro de carbono na Amazônia. Entretanto, os métodos de controle atualmente utilizados são insuficientes para monitorar com frequência e em grande escala a ocorrência de áreas de exploração de madeira. Foi mapeada uma área de floresta tropical sob manejo florestal na Floresta Estadual do Antimary no estado do Acre para avaliar o potencial de detecção dos impactos produzidos por operações florestais (estradas e pátios) a partir de diferentes níveis de aquisição de dados: campo, aéreo e orbital. As estradas e pátios foram mapeados em campo com aparelhos de GPS. A imagem-fração Vegetação Não-Fotossintética (NPV) obtida do modelo de mistura das imagens Landsat dos anos 2009 a 2015 processadas no programa CLASlite foram utilizadas para mapear as estradas florestais e pátios instalados dentro da área explorada. Imagens RapidEye dos anos 2012 a 2015 também foram analisadas para identificar áreas alteradas por corte seletivo. Dados LiDAR aerotransportado foram utilizados para obter o modelo de densidade relativa de vegetação e identificar a área explorada. O mapeamento da exploração madeireira na área usando classificação automática e interpretação visual, mostrou, respectivamente, áreas com 398 ha e 1.428 ha. A exatidão global foi estimada em 0,50 ± 0,060 para a classificação de imagens Landsat e 0,788 ± 0,149 para a classificação das imagens RapidEye. A área de exploração madeireira subestimada de acordo com os dados de referência foi de 4.537 ha (Landsat) e 705 ha (RapidEye). O tamanho dos pátios influenciou a detecção pelo Landsat, pois foi possível detectar somente 40% dos pátios mapeados em campo, enquanto 98% dos pátios foram detectados pelo LiDAR. A média da área dos pátios detectados foi de 435 m2 enquanto que a dos pátios não detectados foi de 302 m2, havendo diferença significativa na detecção em função do tamanho dos pátios (t = -4,0076, df = 38, p≤0,01). O monitoramento das parcelas permanentes mostrou as diferenças de estoque de cobertura florestal antes e após a exploração. Estes resultados enfatizam a necessidade de pesquisas relacionadas ao manejo florestal para entender a variabilidade espacial das estradas e pátios até então detectadas por sensoriamento remoto. Enquanto o GPS é recomendado para mapear com maior confiabilidade a infraestrutura florestal, dados LiDAR e Landsat também são eficazes para quantificar remotamente a extensão dos impactos da exploração em florestas tropicais, subsidiando a gestão e o monitoramento florestal.
Palavras-chave: Corte seletivo. Manejo florestal. Processamento de imagens. Perfilamento a laser. REDD+.
ix
ALTERATION OF THE FOREST COVERAGE AND BIOMASS IN SELECTIVELY LOGGED FOREST IN THE STATE OF ACRE
INTEGRATING FIELD DATA AND REMOTE SENSORS ABSTRACT
Logging based on the principles of forest management in the Amazon region is a promising management strategy for biodiversity conservation and carbon sequestration. However, the control methods currently used are insufficient to monitor frequently and on a large scale the occurrence of areas for logging. An area of tropical forest under forest management was mapped in the Antimary State Forest in the state of Acre, Western Brazilian Amazon, to assess the potential for the detection of impacts produced by forest operations (roads and landings) using different levels of data acquisition: field, aerial and orbital. Within the Antimary State Forest, roads and landings were mapped in the field with GPS devices. The remote mapping of these structures was achieved using the non-photosynthetic vegetation (NPV) fraction images obtained from the mixing model of the Landsat images from years 2009 to 2015 processed in the CLASlite program. RapidEye images from the years 2012 to 2015 were used to identify areas degraded by selective logging. Airborne LiDAR data were used to create a high-resolution canopy relative density model (RDM) and to identify the logged areas. The mapping of logging in the study area showed 398 ha and 1,428 ha using automatic classification and visual interpretation, respectively. The overall accuracy was estimated at 0.50 ± 0.060 for the classification of Landsat images and 0.788 ± 0.149 for the classification of the RapidEye images. The underestimated logged area according to the reference data was 4,537 ha using Landsat and 705 ha using RapidEye. The size of the landings affected the Landsat detection since it detected only 40% of the landings, while 98% of landing were detected by LiDAR. The mean area of detected logging ladings was 435 m2 while the mean area of those undetected was 302 m2, with a significant difference in detection being the function of the size of the patios (t = -4.0076, df = 38, p≤0.01). Monitoring of permanent plots showed differences in forest cover stocks before and after selective logging. These results emphasize the need for research related to forest management in order to understand the spatial variability of roads, landings and harvested tree gaps being detected by remote sensing. While GPS is more reliable for the mapping of forest infrastructure, LiDAR and Landsat data are effective in remotely quantifying the extent of exploitation impacts in tropical forests by subsidizing forest management and monitoring.
x
SUMÁRIO
Pág.
LISTA DE TABELAS ... xi
LISTA DE FIGURAS ... xii
LISTA DE ABREVIATURAS ... xv
1. INTRODUÇÃO ... 1
2. REFERENCIAL TEÓRICO ... 6
2.1. A Amazônia no contexto da mudança do clima ... 6
2.2. Redução das emissões pelo desmatamento e degradação florestal ... 8
2.3. Exploração madeireira na Amazônia ... 10
2.4. Monitoramento por satélite da exploração madeireira ... 13
2.5. O uso do LiDAR na área florestal ... 18
3. OBJETIVOS ... 22
3.1. Geral ... 22
3.2. Específicos... 22
4. MATERIAL E MÉTODOS ... 23
4.1. Descrição da área de estudo ... 23
4.1.1. Manejo florestal na Floresta Estadual do Antimary ... 24
4.2. Coleta de dados ... 27
4.2.1. Parcelas permanentes ... 27
4.2.2. Infraestrutura da exploração florestal ... 29
4.3. Dados de Sensoriamento Remoto... 32
4.3.1. Imagens Landsat e RapidEye ... 32
4.3.2. Escaneamento a laser aerotransportado (ALS) ... 33
4.4. Processamentos de dados e imagens ... 34
4.4.1. Detecção da extração seletiva com imagens Landsat e RapidEye ... 34
4.4.2. Verificação da exatidão dos resultados da classificação ... 36
4.4.3. Identificação da infraestrutura florestal a partir de dados LiDAR ... 39
4.5. Análise dos dados ... 43
5. RESULTADOS E DISCUSSÃO ... 44
5.1. Alteração da cobertura florestal em área de manejo florestal ... 44
5.2. Estimativa da área de exploração florestal ... 59
5.3. Uso de LiDAR para monitorar a alteração da cobertura florestal ... 67
5.4. Caracterização da infraestrutura da exploração ... 72
5.5. Alteração da biomassa antes e após a exploração ... 78
6. CONCLUSÃO ... 81
xi
LISTA DE TABELAS
Tabela 1. Detalhes das Unidades de Produção Anual (UPA) na Floresta Estadual do
Antimary, Estado do Acre. ... 27
Tabela 2. Detalhamento das parcelas permanentes cobertas com imageamento do
LiDAR no ano 2015 instaladas na Floresta Estadual do Antimary. ... 29
Tabela 3. Imagens utilizadas no estudo. ... 33 Tabela 4. Parâmetros do sobrevoo do sistema LiDAR realizado nas UPAs. ... 34 Tabela 5. Matriz de erros de contagem de amostras usada para avaliar a exatidão da
classificação de imagens Landsat na Floresta Estadual do Antimary. ... 59
Tabela 6. Matriz de erro de contagem de amostras (nij) construída a partir da amostra de
avaliação de exatidão. As categorias da classificaçao são as linhas enquanto as categorias de referência são as colunas. ... 60
Tabela 7. Matriz de erro das proporções de área estimada com base na Tabela 6. As
medidas de exatidão são apresentadas com um intervalo de confiança de 95%. As categorias da classificaçao são as linhas enquanto as categorias de referência são as colunas. ... 61
Tabela 8. Matriz de erros usada para avaliar a exatidão da classificação automática da
exploração madeireira utilizando imagens RapidEye na UPA-3 da Floresta
Estadual do Antimary. ... 63
Tabela 9. Matriz de erro de contagem de amostras (nij) construída a partir da amostra de
avaliação de exatidão da classificação com RapidEye. As categorias da
classificaçao são as linhas enquanto as categorias de referência são as colunas. ... 64
Tabela 10. Matriz de erro estimada a partir da Tabela 9 com valores expressos como
proporção de área estimada. As medidas de exatidão são apresentadas com um intervalo de confiança de 95%. As categorias da classificaçao são as linhas
enquanto as categorias de referência são as colunas. ... 64
Tabela 11. Área dos pátios não detectados e detectados na imagem Landsat neste
estudo. ... 73
Tabela 12. Valores de biomassa medidos nas parcelas permanentes da UPA-3 e a taxa
de mudança para cada parcela. ... 78
Tabela 13. Volume, número de árvores exploradas (totais e por hectare) e relação entre
xii
LISTA DE FIGURAS
Figura 1. Representação do funcionamento de um sistema de escaneamento a laser
aerotransportado, ilustrando um único feixe emitido do avião e o retorno originado na copa da árvore. No detalhe da figura, ilustram-se vários feixes emitidos do avião. Fonte: adaptado de Reutebuch; Andersen; Mcgaughey, 2005; Diaz, 2011. Citado por Gorgens; Silva; Estraviz, 2014. ... 19
Figura 2. Aquisição de dados de LiDAR. (a) Impacto causado pelo aumento do ângulo
de varredura. (b) Geração de múltiplos retornos a partir de um único pulso de luz laser. Fonte: adaptado de Jensen, 2009. ... 20
Figura 3. Localização da Floresta Estadual do Antimary, Estado do Acre, com
detalhamento da área de manejo florestal e Unidades de Produção Anual (UPA) sobrepostas na imagem Landsat-8 de 23 de julho de 2016. ... 23
Figura 4. Localização das Unidades de Produção na Floresta Estadual do Antimary. As
UPAs em destaque (cor cinza) foram exploradas no período de 2007 a 2017. ... 26
Figura 5. Parcelas permanentes instaladas na Floresta Estadual do Antimary, Acre. (a)
Área da cobertura LiDAR nas UPAs 2 e 3, (b) cobertura LiDAR na UPA-2 e (c) cobertura LiDAR e 10 parcelas permanentes na UPA-3. ... 28
Figura 6. Levantamento de campo na área explorada da UPA-3 na Floresta Estadual
Antimary, Acre. (a) Abrangência da área mapeada no trabalho de campo, (b) Detalhamento das estradas, pátios, trilhas e árvores e (c) exemplo de um pátio de estocagem com os vértices georreferenciados durante o trabalho de campo: A – B = 24 m, B – C = 14 m, C – D = 22 m, D – A = 19 m. ... 30
Figura 7. Procedimento para coleta de dados de GPS geodésico nos pátios de madeira
da UPA-3 da Floresta Estadual Antimary, Acre. (a) Deslocamento da base do acampamento até o início da UPA-3, (b e c) Localização dos pátios e identificação dos limites de floresta e pátio (vermelho), assim como restos de galhos secos nas trilhas de acesso (d) Uso de dois aparelhos de GPS simultaneamente, (e) visão geral de um pátio de madeira, (f e g) Coleta de coordenadas geográficas nos vértices do pátio, (h) Caderneta de campo com anotações de data, horário de início e término de cada coleta e número do pátio. ... 32
Figura 8. Representação gráfica do cálculo do Modelo de Densidade Relativa (RDM).
Valores altos de RDM indicam uma área com sub-bosque sem alteração enquanto que valores próximos de zero indicam danos no sub-bosque. Fonte: Adaptado de (D’OLIVEIRA et al., 2012). ... 40
Figura 9. Imagem Landsat/TM de 09 de setembro de 2009 em composição R (S), G
(PV) e B (NPV) sobreposta com a delimitação da UPA-1 (em preto). (a)
Interpretação visual de estradas florestais e área afetada pela exploração sobreposta na imagem-fração colorida, (b) detalhe do mapeamento da área afetada pela
exploração (em vermelho), (c) detalhe da infraestrutura de estradas e pátios
planejada para a exploração florestal... 45
Figura 10. Imagem Landsat/TM de 09 de setembro de 2009 sobreposta com a
delimitação da UPA-1 utilizada para mapear a degradação florestal por extração seletiva. (a) Imagem-fração NPV, (b) imagem-fração PV, (c) composição colorida Solo, PV e NPV com delimitação da área de exploração identificada (em
xiii
Figura 11. Imagem Landsat/TM sobreposta com a delimitação da UPA-1 utilizada para
identificar os indícios da infraestrutura da exploração florestal. (a) Imagem-fração NPV de 24 de agosto de 2010, (b) imagem-fração PV de 24 de agosto de 2010, (c) Imagem-fração NPV de 11 de agosto de 2011 e (d) Imagem-fração PV de 11 de agosto de 2011. ... 47
Figura 12. Imagem Landsat/TM sobreposta com a delimitação da UPA-2 (polígono
amarelo) utilizada para identificar a exploração florestal. (a) Imagem-fração NPV de 06 de setembro de 2009, (b) imagem-fração NPV de 24 de agosto de 2010 e sobreposição da área coberta pelo LiDAR (polígono branco) e detalhe de uma parte da área com as frações NPV (c), PV (d) e composição RGB (e). ... 48
Figura 13. Imagem-fração NPV e sobreposição da área explorada na UPA-2 delimitada
a partir da interpretação visual (branco) no ano 2010 (a) e no ano 2013 (b). O ramal de acesso construído foi perceptível na imagem de 2013. ... 49
Figura 14. Área afetada pela exploração florestal na UPA-2. (a) Classificação CLASlite
de floresta (verde) e degradação (amarelo) na imagem Landsat do ano da
exploração e (b) dois anos após a exploração... 50
Figura 15. Imagem-fração NPV do Landsat sobreposta com a delimitação da UPA-3
(polígono branco) utilizada para identificar áreas alteradas pela exploração
florestal, antes (a e c) e após a exploração (b e d). A parte inferior da figura destaca a região representada pelo polígono vermelho. ... 51
Figura 16. Imagem Landsat/OLI sobreposta com a delimitação da UPA-3 (polígono
branco) utilizada para identificar os indícios da infraestrutura da exploração florestal. (a) Imagem-fração NPV e (b) Resultado da classificação CLASlite de floresta (verde) e degradação florestal (amarelo). ... 52
Figura 17. Imagem-fração solo derivada do MLME da imagem RapidEye com
sobreposição da UPA-3 (branco). (a) Imagem do primeiro ano após a exploração. (b) Imagem de 2013 destacando as áreas exploradas. (c) Imagem do ano seguinte da exploração. (d) Imagem de dois anos após a exploração. ... 53
Figura 18. Comparação do mapeamento da área afetada pela exploração usando
Landsat e RapidEye. (a) Imagem-fração NPV derivada do Claslite da imagem Landsat com sobreposição da UPA-3 (branco) e delimitação da área explorada (vermelho) e (b) Imagem-fração derivada do MLME da imagem RapidEye. ... 54
Figura 19. Classificação automática em imagem RapidEye de 18 de outubro de 2013
com sobreposição área afetada pela exploração (em amarelo) e das estradas
florestais mapeadas em campo na UPA-3. ... 55
Figura 20. Comparação do mapeamento da área afetada pela exploração usando
Landsat e RapidEye. (a) Imagem-fração NPV derivada do Claslite da imagem Landsat com sobreposição da UPA-3 (branco) e delimitação da área explorada (vermelho) e (b) Imagem-fração derivada do MLME da imagem RapidEye. ... 55
Figura 21. Comparação entre a área explorada medida a partir da interpretação visual
na imagem-fração NPV e a classificação automática para cada Unidade de
Produção Anual explorada na Floresta Estadual do Antimary entre os anos de 2009 e 2015. ... 56
Figura 22. Área explorada identificada a partir da interpretação visual na
imagem-fração NPV nas UPAs da Floresta Estadual do Antimary, totalizando 1.428
xiv
Figura 23. Área explorada identificada a partir da classificação automática nas UPAs
da Floresta Estadual do Antimary, totalizando 397 hectares no período de 2009 a 2015. ... 57
Figura 24. Proporção da área explorada estimada a partir da classificação automática de
imagens Landsat nas UPAs da Floresta Estadual do Antimary, considerando a exatidão geral, do usuário e do produtor no intervalo de confiança de 95%. ... 62
Figura 25. Proporção da área explorada estimada a partir da classificação automática de
imagens RapidEye na UPA-3 da Floresta Estadual do Antimary, considerando a exatidão geral, do usuário e do produtor no intervalo de confiança de 95%. ... 65
Figura 26. Modelo de Densidade Relativa de Vegetação (RDM) obtido do LiDAR na
UPA-2. (a) RDM do primeiro ano da exploração e (b) RDM do segundo ano da exploração. O retângulo vermelho indica área explorada em 2010 e o azul área explorada em 2011... 67
Figura 27. Modelos obtidos a partir do LiDAR na UPA-3 da Floresta Estadual do
Antimary, Acre. (a) modelo de altura de dossel e (b) modelo de densidade relativa. ... 69
Figura 28. Modelos de densidade relativa de vegetação (RDM) para a área de estudo a
partir dos dados Lidar. (a) RDM de 1 m e 5 metros acima do solo conforme proposto por D’Oliveira et al. (2012) e (b) RDM entre 8 m e 12 metros proposto neste estudo. A escala de cinza representa a densidade de retorno do LiDAR com as áreas exploradas em preto. ... 70
Figura 29. (a) Detalhamento da visualização de pátios no RDM proposto por d’Oliveira
et al. (2012) e (b) RDM proposto neste estudo. A escala de cinza representa a densidade de retorno do LiDAR com as áreas exploradas em preto e os pátios em vermelho. ... 71
Figura 30. Variância da elevação dos pontos LiDAR nas parcelas da UPA-3. ... 72 Figura 31. Identificação de pátios a partir da interpretação visual nas imagens de
cobertura fracional NPV do Landsat dos anos 2011, 2013, 2014 e 2015... 74
Figura 32. Detecção dos pátios na imagem NPV do ano de 2013 e relação com a área
medida em campo. Gráfico Boxplot apresenta o primeiro, segundo e terceiro quartil, limites inferiores e superiores da distribuição dos dados referentes (a) área dos pátios (m2) e (b) fração NPV (%) em relação a detecção na imagem Landsat-8. ... 75
Figura 33. Detecção dos pátios na imagem NPV do ano de 2013 e relação com a área
medida em campo. ... 75
Figura 34. Detecção dos pátios na imagem NPV do ano de 2013 e relação com a área
medida em campo. ... 76
Figura 35. Visualização da nuvem de pontos LiDAR dos pátios que não foram
detectados na imagem NPV. Dimensão dos pátios: 294 m2 (a), 298 m2 (b) e 299 m2 (c). ... 76
xv
LISTA DE ABREVIATURAS
ALS: Airborne Laser Scanning (escaneamento a laser aerotransportado) AUTEX: Autorização de Exploração
CBD: Convenção sobre Diversidade Biológica CLASlite: Carnegie Landsat Analysis System - Lite CHP: Canopy Height Profile (perfil de altura de dossel)
COP: Conferência das Partes da Convenção-Quadro das Nações Unidas sobre Mudança do Clima
DAP: Diâmetro à altura do peito
DEM: Digital Elevation Model (modelo digital de elevação) DEGRAD: Sistema de Monitoramento de Degradação Florestal DETER: Sistema de Detecção de Desmatamento em Tempo Real DETEX: Detecção de Exploração Seletiva
DTM: Digital Terrain Model (modelo digital de terreno) FEA: Floresta Estadual do Antimary
FREL: Forest Emission Level GEE: Gases de Efeito Estufa
IBAMA: Instituto Brasileiro de Meio Ambiente e dos Recursos Naturais Renováveis IMAZON: Instituto do Homem e do Meio Ambiente da Amazônia
INPE: Instituto Nacional de Pesquisas Espaciais
IPCC: Painel Intergovernamental sobre Mudanças Climáticas ITTO: Organização Internacional de Madeira Tropical
LiDAR: Light Detection and Ranging (detecção e distanciamento da luz) MFS: Manejo Florestal Sustentável
MLME: Modelo Linear de Mistura Espectral
MRV: Measurement, Report and Verification (Mensuração, Relato e Verificação) PMFS: Plano de Manejo Florestal Sustentável
PPCDAm: Plano de Ação para Prevenção e Controle do Desmatamento na Amazônia Legal PRODES: Projeto de Monitoramento da Floresta Amazônica Brasileira por Satélite
REDD+: Reducing Emissions from Deforestation and Forest Degradation, and the role of
Conservation of Forest Carbon Stocks, Sustainable Management of Forests and Enhancement of Forest Carbon Stocks
SFB: Serviço Florestal Brasileiro
1
1. INTRODUÇÃO
O Brasil tem apresentado expressivos resultados de redução de emissões de CO2
provenientes do desmatamento no bioma Amazônia (INPE, 2017). Estes resultados foram reportados no âmbito da Convenção-Quadro das Nações Unidas sobre Mudança do Clima (UNFCCC) (MMA, 2016). Por outro lado, a degradação florestal é um processo de alteração do estado da floresta madura e a extração seletiva de madeira também contribui para o balanço do carbono na Amazônia brasileira, representando 33% das fontes de carbono em anos sem secas extremas (ARAGÃO et al., 2014). A extração madeireira, que consiste na remoção de árvores madeireiras com valor comercial, é um importante uso da terra na Amazônia brasileira e pode causar mudanças de estrutura a longo prazo e perda de biomassa florestal.
A floresta amazônica brasileira é a principal fonte de madeira tropical para o mercado nacional e também uma fonte significativa para os mercados internacionais. Contudo, a atividade madeireira afeta extensas áreas de florestas maduras na Amazônia (ASNER et al., 2005) e nos trópicos em geral (HIRSCHMUGL et al., 2014). Mas quando esta atividade é praticada a partir dos princípios e fundamentos do manejo florestal, ela pode ser uma grande aliada no esforço para reduzir a perda de cobertura florestal da Amazônia, evitando o corte seletivo desordenado.
Após a estabilização das taxas de desmatamento da Amazônia Legal na última década (INPE, 2015) e a redução de 82% em 2012 em comparação a 2004, o governo brasileiro enfrenta novos desafios para cumprir a legislação brasileira sobre mudança do clima que determina que até 2020 a taxa anual de desmatamento alcance no máximo 3.915 km² e cause, por consequência, uma diminuição nas emissões de carbono. Porém, as emissões de carbono devido à degradação florestal podem ser da mesma magnitude que o desmatamento (ASNER et al., 2005; NEPSTAD et al., 1999) e tendem a aumentar dada a rápida expansão da atividade madeireira nos trópicos e a diminuição da oferta de madeira no mercado asiático (HIGUCHI et al., 2006). A degradação das florestas é uma preocupação global e uma questão contemporânea importante para vários países devido
2 a Convenção sobre Diversidade Biológica (CBD) de 2010 ter estabelecido a meta de restauração de pelo menos 15% dos ecossistemas degradados até a próxima década.
A comunidade científica internacional recomenda um sistema de monitoramento de florestas que combine dados de inventários florestais e de sensoriamento remoto (DEFRIES et al., 2007; GOETZ et al., 2009; IPCC, 2014) visto que os sistemas atualmente existentes não são capazes de fornecer a exatidão necessária para avaliar as mudanças nos estoques de carbono devido à degradação e recuperação florestal (ASNER et al., 2005; UNFCCC et al., 2009). Durante o Acordo de Copenhagen (COP 15), surgiu a demanda para o estabelecimento de um sistema de monitoramento florestal a nível subnacional ou nacional que combine sensoriamento remoto com inventários de campo e que considere as circunstâncias de cada país para estabelecer os níveis de referência a serem adotados para avaliar as ações de REDD+1 (UNFCCC, 2009).
O papel do desmatamento nas mudanças dos ecossistemas é comprovado e facilmente calculado, mas a degradação florestal por extração seletiva de madeira é mais difícil de discernir e quantificar utilizando produtos de sensoriamento remoto, pois a retirada de árvores apresenta respostas altamente variáveis nos danos da copa e podem ser confundidas com o dossel intacto. Desta forma, monitorar a exploração madeireira em escala regional é uma questão desafiadora porque requer dados de alta resolução espacial para identificar a retirada de árvores e frequente revisita para acompanhar o surgimento de feições relacionadas à infraestrutura da exploração florestal, como abertura de pátios, estradas e trilhas de arraste.
Apesar da complexidade para mapear a exploração madeireira por sensoriamento remoto, alguns estudos já foram realizados utilizando séries temporais de imagens de satélite de média resolução espacial, a maioria deles apresentaram estudos de caso na Amazônia Oriental (SOUZA; BARRETO, 2000; SOUZA et al., 2003; STONE;
1 Sigla em inglês para redução de emissões por desmatamento; redução de emissões por degradação florestal; conservação do estoque de carbono florestal; manejo sustentável de florestas e aumento dos estoques de carbono florestal. A definição de REDD+ de acordo com a terminologia da COP13 compreende ações locais, subnacionais, nacionais e globais cujo principal objetivo é reduzir as emissões do desmatamento e degradação florestal e melhorar os estoques de carbono nos países em desenvolvimento.
3 LEFEBVRE, 1998). A degradação florestal tem sido levada em consideração por alguns investigadores, como ASNER et al. (2005), MATRICARDI et al. (2013) e SOUZA, JR et al. (2013) com estudos mais abrangentes para a Amazônia Legal, porém envolvendo séries históricas de no máximo uma década e com dados de campo relacionados apenas à validação do mapeamento. Entretanto, esses estudos ainda não foram replicados para incorporar um programa operacional de monitoramento da degradação florestal por corte seletivo na Amazônia.
A Força Tarefa do IPCC reunida em Yokohama em 2010 observou que os métodos existentes não forneciam detalhes suficientes para detectar a perda de biomassa em florestas exploradas por corte seletivo e apontou a necessidade de fornecer orientações adicionais sobre sistemas de monitoramento florestal, incluindo questões sobre avaliação de exatidão e incertezas (IPCC, 2010). A necessidade de obter estimativas mais consistentes da exploração madeireira mostra que o monitoramento desta atividade é um campo da ciência que necessita avançar para contribuir com programas e políticas de diminuição dos impactos da mudança do clima nos países tropicais.
Para possibilitar um entendimento do processo de degradação em longo prazo, com dados de parcelas permanentes e análise temporal de dados de sensores remotos, estudos são necessários para preencher lacunas importantes nessa questão científica. Estudos recentes, incluindo dados de inventários florestais, foram realizados no sudoeste da Amazônia com levantamento a laser aerotransportado (ANDERSEN et al., 2014; D’OLIVEIRA et al., 2012). O cruzamento de imagens de satélite com informações de campo é uma abordagem promissora para o monitoramento e controle da degradação florestal, avaliando se um plano de manejo está sendo conduzido de forma a reduzir os impactos da exploração. A estratégia de adotar o uso de sensores remotos combinados com dados de inventários florestais que possam ser aplicados de maneira sistemática para a detecção da exploração madeireira na Amazônia é uma alternativa para monitoramento em grande escala, fornecendo dados frequentes para subsidiar a fiscalização ambiental.
No contexto das políticas de REDD+ o monitoramento da exploração madeireira tem um papel importante uma vez que os dados de degradação ainda não foram utilizados
4 para reportar o nível de referência de emissões florestais (FREL) do país (MMA, 2014). A quantificação da degradação e recuperação florestal é um dos principais impedimentos para a implementação de mecanismos REDD+ (AGUIAR et al., 2012; MITCHARD et al., 2014). O monitoramento contínuo da exploração madeireira é necessário para reportar as estimativas relacionadas às emissões de carbono por degradação florestal. Embora desde 2008 já exista um sistema de monitoramento da degradação na Amazônia, o Programa DEGRAD, essa atividade não foi incluída no FREL do Brasil devido a curta série temporal existente não gerar taxas de áreas exploradas periodicamente e para todos os estados da Amazônia. Deste modo, até o momento o Brasil utiliza somente os dados de desmatamento para reportar as emissões de carbono, apesar de assumir protagonismo nas negociações sobre REDD+ no âmbito da UNFCCC. Contudo, a avaliação do FREL do Brasil propôs, dentre outros aspectos, a inclusão do monitoramento da degradação florestal da Amazônia.
De acordo com o Marco de Varsóvia de REDD+, para países em desenvolvimento receberem pagamentos por resultados de redução de desmatamento e degradação devem antes passar por um processo de Mensuração, Relato e Verificação (MRV). Assim, o Brasil tornou-se o primeiro país a concluir a implementação do Marco de Varsóvia e a ter resultados de REDD+ verificados, passando a receber recursos de pagamentos por seus resultados de redução de emissões provenientes do desmatamento no bioma Amazônia (MMA, 2016). Levando em consideração o local de destaque ocupado pela Amazônia brasileira nas discussões relacionadas ao cenário de mudança climática, torna-se necessário identificar áreas sob extração seletiva de madeira que possibilitem convergir para sistemas de monitoramento florestal.
A adoção de métodos de mapeamento combinando informações de campo e sensoriamento remoto é necessária para diminuir as incertezas das estimativas de carbono florestal e no cumprimento dos requisitos existentes de inventário de Gases de Efeito Estufa (GEE) e será especialmente importante em áreas com projetos de REDD+, como no Acre, primeiro estado a implementar um Sistema de Incentivos por Serviços Ambientais. O presente trabalho busca responder a seguinte pergunta: qual a capacidade de monitorar a exploração madeireira utilizando dados de sensores remotos após a
5 ocorrência da exploração em florestas do sudoeste da Amazônia brasileira e como estes dados se relacionam com parâmetros obtidos em parcelas de campo? Deste modo, a exploração madeireira ocorrida em uma área de concessão florestal no Acre foi analisada a partir da combinação de dados LANDSAT, RapidEye e LiDAR e parcelas de campo para compreender o potencial destes sensores em fornecer estimativas de degradação florestal e oferecer suporte à definição de políticas e estratégias de ação e controle ligadas ao monitoramento da Amazônia.
6
2. REFERENCIAL TEÓRICO
No presente tópico é apresentada a fundamentação teórica mais diretamente relacionada ao escopo da tese, incluindo os principais conceitos ligados ao tema e os estudos mais relevantes publicados nas últimas décadas. Inicialmente é apresentada uma breve síntese sobre a mudança climática global e as consequências para as florestas tropicais. O conceito de degradação florestal é discutido, bem como a importância da exploração madeireira na Amazônia. Em seguida é revisada a potencialidade do monitoramento florestal com o uso de imagens de satélites, abordando as principais técnicas adotadas para detectar e mapear a degradação florestal por corte seletivo na Amazônia brasileira. Por último, é abordado o avanço da tecnologia de escaneamento a laser aerotransportado na área florestal, bem como os componentes de um sistema
Airborne Laser Scanner (ALS), funcionamento e propriedades do escaneamento.
2.1. A Amazônia no contexto da mudança do clima
As questões relacionadas à mudança do clima fazem parte da discussão da comunidade internacional desde a Conferência das Nações Unidas sobre o Meio Ambiente e Desenvolvimento realizada em 1992 na cidade do Rio de Janeiro. No entanto, iniciativas anteriores são reportadas desde eventos que aconteceram a partir de 1972, como a Conferência de Estocolmo que criou o Programa das Nações Unidas para o Meio Ambiente (PNUMA), influenciando os países a criarem estruturas executivas para tratar de temas ambientais.
Em 1988 foi criado o Painel Intergovernamental sobre Mudança do Clima (IPCC), com o propósito de fornecer uma visão científica do estado atual da mudança do clima, bem como suas potenciais consequências ambientais e socioeconômicas. Em 1992 foi criada a Convenção-Quadro das Nações Unidas sobre Mudança do Clima (UNFCCC) que entrou em vigor em 1994 com o objetivo de estabilizar as concentrações de gases de efeito estufa na atmosfera reduzindo a interferência antrópica (UNFCCC, 1992).
7 A partir do ano seguinte, a Conferência das Partes (COP), órgão supremo da Convenção do Clima, passou a reunir-se anualmente e em 1997, durante a COP-6, foi assinado o Protocolo de Quioto que adotou limites para emissão dos gases de efeito estufa em países desenvolvidos e ao mesmo tempo criou significantes incentivos para os países em desenvolvimento controlarem as suas emissões em consonância ao crescimento econômico. O Protocolo de Quioto foi assinado por mais de 160 nações e previa a estabilização das emissões, em 2000, aos níveis de 1990, porém isto não ocorreu e as emissões continuaram a crescer tanto nos países desenvolvidos como nos países em desenvolvimento (MCT, 2015).
A Convenção sobre Mudança do Clima explica as mudanças climáticas como uma diferença entre a variação do clima com e sem a interferência humana, que contribua com a variabilidade natural observada ao longo do tempo, alterando a composição da atmosfera mundial (FCCC, 1992). Enquanto o IPCC define mudanças climáticas como uma mudança no estado do clima que pode ser identificada por alterações na média e/ou na variabilidade de suas propriedades e que persistem por um longo período de tempo, normalmente décadas (IPCC, 2007).
Neste aspecto, a definição do IPCC se refere a qualquer mudança do clima ao longo do tempo, seja devido às causas naturais ou antrópicas, enquanto que o conceito das Nações Unidas atribui as mudanças climáticas direta ou indiretamente às atividades humanas. A permanência do padrão atual de emissões de gases de GEE para a atmosfera resultante de ações antrópicas representa alta probabilidade de que haverá mudanças climáticas globais de grande magnitude ocorrendo nos próximos 100 anos no país, destacando-se o aumento de temperatura, modificações nos padrões de chuvas e alterações na distribuição de extremos climáticos tais como secas, inundações, penetração de frentes frias, tempestades severas, vendavais, dentre outros (MARENGO; SOARES, 2003; NOBRE, 2001).
8
2.2.Redução das emissões pelo desmatamento e degradação florestal
O relatório do IPCC que trata sobre LULUCF2 introduziu o tema desmatamento
evitado em florestas tropicais ao Mecanismo de Desenvolvimento Limpo (MDL). REDD+ é considerado um instrumento internacional para pagamento de resultados de redução de emissões relacionadas ao setor florestal. Cinco mecanismos para gerar créditos de REDD+ são atualmente considerados pela UNFCCC: i) redução de emissões por desmatamento; ii) redução de emissões pela degradação florestal; iii) conservação de florestas; iv) manejo florestal sustentável e v) aumento dos estoques de carbono. Cabe destacar o histórico de criação do REDD+, introduzido no contexto das negociações relacionadas às florestas tropicais durante a 11ª Conferência das Partes (COP-11) realizada em Montreal em 2005, quando Costa Rica e Papua Nova Guiné apresentaram conjuntamente uma proposta de redução de emissões por desmatamento em países em desenvolvimento. Com isso, abordagens para estimular ações foi oficialmente introduzido na agenda da UNFCCC.
A modalidade REDD+ foi baseada no fato que o desmatamento em países em desenvolvimento contribui com uma quantidade significativa de emissões de GEEs partindo das seguintes premissas: (i) a Convenção do Clima é omissa em relação à redução de emissões por meio do desmatamento; (ii) não há como os países em desenvolvimento se engajarem ao Protocolo de Quioto para as reduções de suas emissões; (iii) na ausência de rendas para florestas em pé, as comunidades e os governos de países em desenvolvimento têm poucos incentivos para impedir o desmatamento; (iv) as nações em desenvolvimento estão preparadas para estimar as suas contribuições à estabilidade do clima global baseado no “acesso justo e igual aos mercados de emissões de carbono” e (v) a estabilidade climática dependerá da expansão igual dos sistemas de mercados iniciados pelo Protocolo de Quioto devendo facilitar e integrar a participação dos países em desenvolvimento. Os mecanismos de REDD foram aprovados durante a COP 11 e ganhou destaque no Quarto Relatório de Avaliação do IPCC (HIGUCHI et al., 2009).
9 Durante a COP 13 de Bali, em 2007, foi adotado o Plano de Ação de Bali que estabeleceu as negociações pós-Kyoto, ou seja, sobre medidas de cooperação de longo prazo, com início imediato até 2012. Então, naquele momento, a modalidade de degradação florestal foi incorporada ao RED, passando a ser denominado REDD. Os países com florestas tropicais foram encorajados a desenvolverem “atividades de demonstração” subsidiando o desenvolvimento de uma linha de base3 para emissões
nacionais historicamente contabilizadas (UNFCCC, 2008).
O termo REDD+ foi formalmente adotado durante a COP 16 de Cancun, em 2010, passando a ser formalmente incorporado à agenda climática da UNFCCC como um elemento de um acordo pós-Kyoto. Assim, REDD+ assumiu sua conotação atual, ou seja, de um mecanismo ou política que contempla formas de prover incentivos positivos aos países em desenvolvimento para enfrentar as mudanças climáticas. No Brasil, o Ministério do Meio Ambiente é o órgão que coordena o debate em torno das negociações e elaborou uma estratégia nacional de REDD+, definindo orientações metodológicas em alinhamento com as decisões internacionais no âmbito UNFCCC (MMA, 2016).
No contexto das discussões sobre mudanças climáticas, os conceitos relacionados à floresta, degradação florestal e desmatamento têm relevância por estarem estritamente relacionados às emissões de carbono, e por consequência possibilitam implicações para projetos de REDD+. A degradação florestal e o desmatamento são processos distintos, uma vez que o desmatamento representa a retirada da cobertura florestal por corte raso, enquanto a degradação florestal pode levar vários anos (BARLOW; PERES, 2008). Desta forma, o desmatamento envolve a conversão das florestas para outros tipos de cobertura do solo e a degradação ocorre quando as florestas permanecem com cobertura florestal, mas tem comprometido sua capacidade para fornecer serviços ecossistêmicos ou sofrem grandes mudanças na composição de espécies devido à sobre-exploração, invasão de espécies exóticas, poluição, incêndios ou outros fatores (SASAKI; PUTZ, 2009).
3 Linha de base é o cenário de referência contra o qual uma mudança na emissão ou remoção de GEE é medida (IPCCC, 2000).
10 Diferentes conceitos são utilizados para definir a degradação florestal. Simula (2009) a define como uma redução em longo prazo da oferta potencial total de benefícios da floresta, que inclui carbono, madeira, biodiversidade e outros bens e serviços, enquanto que a Organização Internacional de Madeiras Tropicais (ITTO, do inglês International
Tropical Timber Organization) define a degradação florestal como uma perda direta
provocada pelo homem de valores florestais (especialmente carbono), que provavelmente será caracterizado por uma redução da cobertura arbórea. Este conceito não considera o manejo florestal como degradação florestal ao assumir que a cobertura do dossel vai se recuperar ao longo dos anos. Por outro lado, a degradação florestal é considerada como uma redução dos estoques de biomassa em X% por um tempo Y (SCHOENE et al., 2007).
2.3.Exploração madeireira na Amazônia
A exploração de madeira é uma atividade econômica de grande expressão na Amazônia brasileira, envolvendo o desdobramento de uma média anual de 25 milhões de metros cúbicos de toras entre 1990 a 2015 (IBGE, 2015). A atividade madeireira na Amazônia brasileira começou historicamente há cerca de 300 anos com a exploração de poucas espécies nas regiões de várzea (BARROS; UHL, 1995). Por volta dos anos 50 do século passado iniciou-se a produção de madeira a partir de serrarias industriais e pode-se citar como os primeiros exemplos da extração pode-seletiva a exploração de duas espécies típicas de áreas alagáveis conhecidas como virola (Virola surinamensis) e andiroba (Carapa guianensis) (BARROS; UHL, 1995; ZARIN et al., 2001). A partir da década de 1970 a atividade teve um impulso com a chegada de imigrantes para a região, vindos principalmente das regiões sul e sudeste do país, e também em virtude da exaustão de florestas tropicais na Mata Atlântica (LENTINI; VERÍSSIMO; SOBRAL, 2003).
Nas últimas décadas, o corte de espécies arbóreas de alto valor comercial tem se tornado uma importante atividade na Amazônia (STONE; LEFEBVRE, 1998; NEPSTAD et al., 1999). Este cenário tornou-se mais comum a partir da construção de estradas na região durante as décadas de 60 e 70 que permitiram a expansão da extração seletiva de madeira das florestas de terra firme (UHL; VIEIRA, 1989; UHL et al., 2010). A partir de
11 então, a exploração de madeira praticada na Amazônia pode ser caracterizada de duas formas: i) exploração convencional ou exploração predatória, caracterizada pela exploração sem planejamento em que as estradas e os pátios de estocagem seguem formas desordenadas e mais longas, os cipós não são cortados antes da exploração e as árvores são derrubadas sem um levantamento técnico para o corte, causando maior impacto na floresta; e ii) exploração manejada, caracterizada pelo planejamento da construção de estradas, pátios de estocagem e ramais de arraste, do corte de cipós antes da exploração e da derrubada direcional das árvores (JOHNS; BARRETO; UHL, 1996; VIDAL et al., 1997).
UHL et al. (1997) descrevem três formas de exploração madeireira em florestas de terra firme na Amazônia: a primeira está relacionada à exploração de baixo impacto que, mesmo requerendo a abertura de quilômetros de estradas no interior da floresta, causa poucos danos ao ecossistema florestal em razão da distribuição espacial e baixa densidade de indivíduos adultos por hectare das espécies exploradas; a segunda ocorre nas áreas próximas às estradas construídas pelo governo, onde algumas árvores são removidas por hectare; a terceira é de alto impacto, caracterizando-se pela extração de mais de 100 espécies de árvores, isto é, 5 a 10 indivíduos por hectare.
A exploração predatória de madeira extrai de 30 a 50 metros cúbicos de madeira em tora por hectare e reduz a cobertura total do dossel original de 80% para 45% em florestas ombrófilas densas (UHL; VIEIRA, 1989). A redução pode chegar a 39% quando a floresta é submetida à exploração de madeira seguida de intensa queimada (GERWING, 2002). A extração seletiva remove tipicamente 3 a 9 árvores por hectare de aproximadamente 100 espécies com valor comercial (VERISSIMO et al., 1992).
Nas áreas submetidas à exploração por mais tempo ocorre redução de matéria-prima, ou a falta local de madeira, que juntamente com os altos custos de transporte de toras de árvores provenientes de florestas distantes pode provocar uma continuação da sequência da exploração descrita por Uhl et al. (1997). Deste modo, novas extrações removem aproximadamente todos os indivíduos restantes de espécies comerciais,
12 incluindo aqueles considerados anteriormente muito pequenos, ou seja, de diâmetros inferiores aos usualmente considerados de corte.
Laurance (1998) estimou que aproximadamente 80% das espécies exploradas são ilegais e ocorrem sem qualquer tipo de manejo florestal, enquanto Lentini et al. (2005) estimou que 50% provém de fonte ilegal. Estima-se que 66% do volume de madeira em toras extraído na Amazônia são oriundas de áreas autorizadas (SFB; IMAZON, 2010).
A exploração de madeira na Amazônia é influenciada pela demanda por madeira no mercado internacional, em razão do esgotamento desse recurso na Ásia (HIGUCHI, 1994) e também devido a limitação dos recursos florestais nas regiões Sudeste e Sul do Brasil (VERÍSSIMO; LIMA; LENTINI, 2002). A indústria madeireira é um propulsor econômico que gera lucros e tem o potencial de ser uma fonte renovável para a Amazônia, porém este setor é afetado pelo baixo capital de investimento e dificuldades enfrentadas pela fiscalização para coibir a ilegalidade na exploração madeireira (ASNER et al., 2009a). Estes fatores impedem o fortalecimento de uma atividade madeireira sustentável e que se estabeleça a longo prazo na região em razão da concorrência desleal para os empresários que trabalham na legalidade, visto que o a extração de madeira sem autorização é conduzida sob custos mais baixos (PEREIRA et al 2002; HOLMES et al, 2002,ASNER et al., 2009a).
Há dois procedimentos para obter a permissão legal para realizar exploração madeireira na Amazônia: manejo florestal e desmatamento. O Manejo Florestal Sustentável (MFS)4 é a atividade legalmente permitida para a produção florestal com
amparo na legislação por meio da Lei nº 12.651/2012, do Decreto 5.975/2006, das Instruções Normativas MMA 04 e 05/2006 e da Resolução Conama 406/2009. O MFS tem como requisito norteador o Plano de Manejo Florestal Sustentável (PMFS) que orienta a atividade florestal a partir da caracterização do meio físico e biológico da Área
4 Definido pela Lei nº 12.651/2012 como a administração da vegetação natural para a obtenção de benefícios econômicos, sociais e ambientais, respeitando-se os mecanismos de sustentação do ecossistema objeto do manejo e considerando-se, cumulativa ou alternativamente, a utilização de múltiplas espécies madeireiras ou não, de múltiplos produtos e subprodutos da flora, bem como a utilização de outros bens e serviços.
13 de Manejo Florestal (AMF), das técnicas de produção, intensidade de corte e ciclo de corte estabelecido no PMFS, que varia entre 25 e 35 anos na Amazônia (SFB, 2017). Enquanto o desmatamento é permitido por meio da Autorização de Supressão da Vegetação (ASV) de 20% da área total de propriedades rurais amazônicas.
2.4.Monitoramento por satélite da exploração madeireira
A extensão, intensidade da exploração madeireira e tempo após a exploração são os fatores mais relevantes para se entender os efeitos diretos da retirada de madeira sobre a floresta, bem como a resposta nas imagens de satélites. Stone e Lefebvre (1998) mostraram que os dados causados pela atividade madeireira podem ser identificados em três anos ou menos nas imagens de satélite. Nos primeiros anos após a exploração florestal, a estrutura da vegetação nos sítios explorados é inversa à estrutura da floresta original, ou seja, essas áreas apresentam um grande crescimento secundário nos estratos mais baixos e um dossel aberto, por isso a detecção de florestas previamente cortadas (>1 ano) torna-se bastante complexa.
Estimativas de áreas de florestas afetadas pela exploração madeireira têm sido realizadas através de técnicas de interpretação visual de imagens obtidas dos sensores TM e ETM+ do satélite LANDSAT. A localização e extensão da extração seletiva em uma região a oeste de Paragominas no Pará foram delimitadas a partir de imagens do sensor TM/LANDSAT dos anos de 1986, 1991 e 1998 por Stone e Lefebvre (1998) com emprego das técnicas de interpretação visual nas imagens e classificação supervisionada (algoritmo de máxima verossimilhança). Os resultados mostraram que a área explorada naquela região em 1991 (32%) foi mais que o dobro da área identificada cinco anos antes (14%). A exploração seletiva observada em 1991 foi mais amplamente distribuída do que em 1986, quando a maior concentração ocorreu longe do centro urbano de Paragominas. Enquanto na região oeste do estado, indícios de exploração madeireira identificados nas imagens de 1986 não estavam aparentes nas imagens de 1991 (STONE; LEFEBVRE, 1998).
14 Apesar da interpretação visual permitir a delimitação entre as áreas exploradas pela atividade madeireira e áreas de florestas tropicais intactas, o delineamento das áreas exploradas por este método está sujeito a erros subjetivos de interpretação. Áreas com atividades de exploração sutis tais, como aquelas de baixa intensidade de exploração ou em fase inicial podem ser desconsideradas pelo intérprete, aumentando a incerteza na estimativa das áreas exploradas. Desta forma, técnicas de processamento de imagens também são utilizadas na delimitação automática realizada por algoritmos de classificação para mapeamento da exploração madeireira.
Graça (2006) encontrou resultados satisfatórios ao evidenciar áreas sob exploração madeireira a partir de imagens fração. As imagens fração solo, vegetação e sombra apresentam em tons de cinza mais claro a predominância dos componentes puros de suas respectivas frações. O componente solo realça áreas de solo exposto, permitindo identificar com facilidade as estradas de acesso e áreas de pátios de estocagem. Alvos como estradas e pátios nas imagens TM/LANDSAT são indicadores importantes na detecção de áreas de floresta exploradas (STONE; LEFEBVRE, 1998; WATRIN; ROCHA, 1992).
As aberturas no dossel da floresta causadas pela exploração de madeira são visíveis em imagens Landsat, contudo a vegetação se recupera dentro de 1 a 5 anos e podem ser classificados erroneamente na ausência de dados de campo (NEPSTAD et al., 1999). Muitas atividades podem causar degradação das reservas de carbono das florestas, porém nem todas podem ser monitoradas usando dados de sensoriamento remoto. A abertura no dossel causada pelo corte seletivo de árvores pode ser detectada em imagens LANDSAT utilizando técnicas sofisticadas e esta tarefa torna-se mais fácil quando a atividade de exploração madeireira é mais intensa, ou seja, maior número de árvores explorado (GOFC-GOLD, 2015).
Áreas de florestas submetidas à extração seletiva também podem ser interpretadas em imagens de sensoriamento remoto baseadas na observação das estradas e pátios que muitas vezes são claramente reconhecíveis nas imagens, enquanto que a degradação do estoque de carbono por incêndios florestais são mais difíceis de identificar a partir das
15 imagens de satélite (GOFC-GOLD, 2015). O impacto da exploração madeireira deixa marcas características associadas a solo exposto, vegetação secundária, árvores mortas caídas e em pé, árvores danificadas, cicatriz de fogo florestal, manchas florestais inalteradas, pátios de estoque de madeira e trilhas de arraste (MATRICARDI et al., 2010)
Nos últimos anos, diferentes sistemas de monitoramento foram desenvolvidos com o intuito de mapear a extensão de áreas com degradação florestal na Amazônia, como o sistema de Detecção de Exploração Seletiva de Madeira (DETEX) com o objetivo de produzir mapeamentos de ocorrência de exploração seletiva de madeira nos Distritos Florestais Sustentáveis pertencentes ao Serviço Florestal Brasileiro (SFB) e o Programa de Monitoramento da Degradação Florestal (DEGRAD) fornecendo estimativas anuais de áreas degradadas na Amazônia, cujos programas foram desenvolvidos pelo Instituto Nacional de Pesquisas Espaciais (INPE).
O projeto Detecção do Desmatamento em Tempo Real (DETER-B), também executado pelo INPE para identificar e mapear, em tempo quase real, alterações na cobertura florestal com área mínima próxima de 1ha com uso de imagens do Satélite Sino-Brasileiro de Recursos Terrestres (CBERS-4) e do satélite Indian Remote Sensing
Satellite (IRS), com 64 e 56 metros de resolução espacial, respectivamente. No
DETER-B, a identificação da exploração madeireira é feita por interpretação visual com base em cinco elementos principais (cor, tonalidade, textura, forma e contexto) e utiliza a técnica de Modelo Linear de Mistura Espectral (MLME), conjuntamente com sua imagem multiespectral em composição colorida para mapear corte seletivo. O DETER-B diferencia duas classes de corte seletivo: desordenado e geométrico (DINIZ et al., 2015).
O Instituto do Homem e Meio Ambiente da Amazônia (Imazon) desenvolveu o Sistema de Alerta de Desmatamento (SAD) utilizando técnicas para detectar, quantificar e monitorar o desmatamento e a degradação florestal, gerando estimativas mensais para a Amazônia (SOUZA, JR et al., 2013). Outro sistema bastante difundido para monitorar a degradação florestal e aplicado também em outros países é o Sistema de Análise Carnegie Landsat (CLASlite), adotado por Asner et al. (2009).
16 Shimabukuro e Smith (1991) utilizaram uma relação linear para representar a mistura espectral dos componentes dentro do elemento de resolução do sensor. Assim, a resposta de cada pixel, em qualquer banda espectral, pode ser definida como uma combinação linear das respostas de cada componente, desde que esteja no alvo sensoriado. Desse modo, cada pixel da imagem, que pode assumir qualquer valor dentro da escala de cinza, contém informações sobre a proporção e a resposta espectral de cada componente dentro de cada elemento de resolução. O Modelo Linear de Mistura Espectral visa estimar a proporção dos componentes, tais como solo, sombra e vegetação, para cada pixel, a partir da resposta espectral nas diversas bandas, gerando imagens fração vegetação, solo e sombra (SHIMABUKURO; SMITH, 1991). O modelo de mistura espectral pode ser escrito como:
ri avegi bsoloi csombrai ei (Equação 1)
Onde ri é a resposta do pixel; i representa a banda específica utilizada; a,b,csão as proporções de vegetação, solo e sombra (ou água), respectivamente;
i i
i solo sombra
veg , , são as respostas espectrais das frações vegetação, solo e sombra (ou água), respectivamente; ei significa o erro na banda utilizada.
Na análise de mistura espectral são usados endmembers para estimar as abundâncias de sombra, solo, vegetação e erro. A análise de mistura espectral assume que a superfície da imagem é formada por um pequeno número de materiais distintos que têm propriedades espectrais relativamente constantes, tal que:
b b i I b F DN DN , (Equação 2) para: FI 1 (Equação 3) Onde DNb= o número digital da banda b; F = a fração do endmember; I DNi,b= o
17 O Modelo de Linear de Mistura Espectral tem a finalidade de identificar a proporção do padrão de resposta espectral de diferentes alvos que compõem um elemento de cena. Isto porque a irradiância medida pelo sensor em um ponto é dada pela integração das respostas de cada um dos componentes de um elemento de cena (pixel), uma vez que, em geral, a resolução espacial de um sensor permite a inclusão de mais de um tipo de objeto dentro de um pixel (WU; MURRAY, 2003).
O Sistema de Análise Carnegie Landsat (CLASlite) é um sistema desenvolvido para mapear as alterações na estrutura florestal a partir da extração por corte seletivo e está disponível gratuitamente na internet (http://claslite.stanford.edu). Este sistema baseia-se na conversão de imagens de satélite de seu formato original, através de calibração, pré-processamento, correção atmosférica e as etapas de máscara de nuvens, análise Monte Carlo e de Mistura Espectral para gerar uma imagem classificação do corte seletivo.
O CLASlite pode ser utilizado com uma variedade de imagens de satélite, como LANDSAT, ASTER, MODIS e SPOT (ASNER et al., 2009b). O CLASlite utiliza uma abordagem de mapeamento automatizado por satélite para determinar cada um dos componentes da estrutura da floresta: a cobertura fracional do dossel, da vegetação morta e das superfícies desprovidas de vegetação (solo exposto). A análise da cobertura fracional é a essência do CLASlite, pois tais coberturas fracionais são determinantes básicos da composição, fisiologia, estrutura, biomassa e processos biogeoquímicos do ecossistema.
Diferentes estimativas de área afetada pela exploração madeireira foram reportadas nos últimos anos, como 10.000-15000 Km2/ano no estudo conduzido por Nepstad et al.
(1999). Enquanto que Santos et al. (2001) estimaram 17.146 Km2 no período de 1988 a 1998. Estudo divulgado por Asner et al. (2005) mostrou que a exploração de madeira entre 1999 e 2002 atingiu de 12 mil a 19,8 mil Km2 de cobertura florestal por ano nos Estados do Acre, Mato Grosso, Pará, Rondônia e Roraima. Matricardi et al. (2013) utilizaram dados de imagens de satélite e estimaram que mais de 17.000 km2 de florestas foram degradadas na Amazônia em 1999. Souza et al. (2013) estimaram que no período compreendido entre os anos de 2000 e 2010, uma área de aproximadamente 50.000 km2
18 de floresta amazônica brasileira sofreu algum tipo de degradação em razão da exploração seletiva de madeira ou ocorrência de fogo.
2.5.O uso do LiDAR na área florestal
Ao longo das últimas décadas, as plataformas aéreas começaram a preencher uma lacuna entre as medidas fornecidas em estudos de campo e aqueles por sensores baseados em satélite. O sistema LiDAR5 apresenta sua própria fonte de energia, neste caso, uma fonte de luz, o laser, a qual emite radiação eletromagnética em ondas curtas (1-10 m) sendo sensíveis às perturbações atmosféricas.
O LiDAR é considerado um método direto na captura de dados e é classificado como um sensor ativo. Os pulsos de laser do LiDAR podem penetrar por diferentes aberturas no dossel da floresta e fornecer informações sobre a estrutura florestal e também sobre o relevo destas áreas. A tecnologia LiDAR baseia-se nos mesmos princípios utilizados no sistema de radar, com a diferença de que ao invés do uso de ondas de rádio para localizar os objetos de interesse, o sistema LiDAR utiliza pulsos a laser (GIONGO et al., 2010).
As métricas, estatísticas que resultam de processamento da nuvem de pontos LiDAR, tem grande aplicação na área florestal por permitirem caracterizar a estrutura vertical e horizontal da vegetação, parametrizar a forma de árvores individuais; qualificar o modelo digital do terreno e modelar as variáveis florestais. As métricas podem ser classificadas em grupos: i) métricas de contagem, ii) métricas de elevação ou altura, iii) métricas de intensidade do retorno, iv) métricas topográficas (GORGENS; SILVA; ESTRAVIZ, 2014). A Figura 1 demonstra o funcionamento desse sistema, ilustrando um único feixe emitido do avião e o retorno originado na copa da árvore.
19
Figura 1. Representação do funcionamento de um sistema de escaneamento a laser
aerotransportado, ilustrando um único feixe emitido do avião e o retorno originado na copa da árvore. No detalhe da figura, ilustram-se vários feixes emitidos do avião. Fonte: adaptado de Reutebuch; Andersen; Mcgaughey, 2005; Diaz, 2011. Citado por Gorgens; Silva; Estraviz, 2014.
O uso do sistema LiDAR aerotransportado é conhecido como ALS6 e normalmente utiliza o seguinte processo: uma aeronave sobrevoa uma região e o equipamento laser efetua uma varredura no chão perpendicular à direção do voo, determinando a distância ao terreno. Assumindo que o dossel das árvores tem altura e densidade uniformes, então quanto maior o ângulo de varredura a partir do nadir, maior será a quantidade de dossel a ser penetrada para se atingir a superfície do solo e, portanto, adquirir a informação necessária para produzir um modelo digital de terreno desprovido de vegetação. A Figura 2 ilustra a variação do ângulo de varredura em relação ao imageamento do terreno. Na área de sensoriamento remoto para estudos de vegetação os tipos de laser utilizados são aqueles com comprimento de onda próximo ao infravermelho (JENSEN, 2009).
