MINISTÉRIO DA CIÊNCIA, TECNOLOGIA E INOVAÇÃO MCTI ... · Ao pessoal da base do LBA-km 34,...
43
MINISTÉRIO DA CIÊNCIA, TECNOLOGIA E INOVAÇÃO – MCTI INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA – INPA Programa de Pós-Graduação em Ciências de Florestas Tropicais- CFT DESEMPENHO DE DISPOSITIVOS ELETRÔNICOS PARA A ANÁLISE ESTRUTURAL DA FLORESTA DE TERRA FIRME NA AMAZÔNIA CENTRAL IOKANAM SALES PEREIRA Manaus, Amazonas Abril 2018
Transcript of MINISTÉRIO DA CIÊNCIA, TECNOLOGIA E INOVAÇÃO MCTI ... · Ao pessoal da base do LBA-km 34,...
MINISTÉRIO DA CIÊNCIA, TECNOLOGIA E INOVAÇÃO – MCTI
INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA – INPA
Programa de Pós-Graduação em Ciências de Florestas Tropicais- CFT
DESEMPENHO DE DISPOSITIVOS ELETRÔNICOS PARA A ANÁLISE
ESTRUTURAL DA FLORESTA DE TERRA FIRME NA AMAZÔNIA CENTRAL
IOKANAM SALES PEREIRA
Manaus, Amazonas
Abril 2018
ii
IOKANAM SALES PEREIRA
DESEMPENHO DE DISPOSITIVOS ELETRÔNICOS PARA A ANÁLISE
ESTRUTURAL DA FLORESTA DE TERRA FIRME NA AMAZÔNIA CENTRAL
Orientador: Dr. Henrique E. Mendonça do Nascimento
Co-orientador: Dr. Florian Hofhansl
Dissertação apresentada ao Programa de
Pós-Graduação em Ciências de Florestas
Tropicais como parte dos requisitos para
obtenção do título de Mestre em
Ciências de Florestas Tropicais.
Manaus, Amazonas
Abril 2018
iii
iv
Sinopse:
Estudou- se o desempenho de aparelhos eletroeletrônicos para a coleta de
variáveis biométricas de uma floresta primária próxima ao município de
Manaus. Além disso, foram analisadas as magnitudes dos erros das
medidas dos aparelhos com medidas de campo.
Palavras chave:
Estrutura florestal, floresta tropical, laser rangefinder, laser escâner
terrestre, variáveis biométricas.
C436d Pereira, Iokanam Sales
Desempenho de dispositivos eletrônicos para a análise estrutural da
floresta de terra firme na Amazônia Central / Iokanam Sales Pereira. -
Manaus: [s. n.], 2018. 43 f.
Dissertação (Mestrado) - INPA, Manaus, 2018.
Orientador: Henrique E. Mendonça do Nascimento.
Coorientador: Florian Hofhansl .
Programa: Ciências de Florestas Tropicais.
1. Estrutura florestal. 2. Floresta de terra firme. 3. Variáveis
biométricas. I. Título
CDD 634.9285
v
AGRADECIMENTOS
Agradeço aos meus pais, Maria Helena Sales e João Pereira de Sousa, por tudo!
Aos meus irmãos que mesmo eu estando longe sempre se fizeram presentes.
Ao Instituto Nacional de Pesquisas da Amazônia (INPA/MCTI) e ao Programa de Pós-
graduação em Ciências de Florestas Tropicais (CFT) pela oportunidade.
Ao programa “Free-Air CO2 Enhancement Experiment in the Amazon” (AmazonFACE) pela
área de estudo e apoio logístico.
À FAPEAM pela bolsa de pesquisa.
Ao Dr. Carlos Alberto Quesada por acreditar em mim e pela chance dada de trabalhar com
pessoas incríveis.
Ao Dr. Henrique Nascimento por todo o tempo, paciência, competência, conselhos e
conhecimentos compartilhados comigo.
Ao Dr. Florian Hofhansl por toda paciência e dedicação em me orientar com um asunto totalmente
novo e fascinante.
A todos os amigos de laboratório e projeto: Juliane, Nathyele, Sabrina, Takeshi, Luciano,
Alacimar, Sheila, Kartz, Erik, Florian, Oscar, Lucia, Leonardo, Maira, Nathan, Matheus,
Cristhian e Marciel.
Ao pessoal da base do LBA-km 34, França, Eliseu, “Dona Gigi” e “Zézinho” que sempre me
trataram com respeito e consideração.
À minha namorada Jessica Campos que sempre foi uma companheira para todos os momentos
vivenciados durante este mestrado.
E a todos os colegas da turma CFT 2016.
Obrigado!
vi
“Há quem passe pela floresta e só veja lenha para a fogueira.”
Léon Tolstoi
vii
RESUMO
Tecnologias que têm o laser como princípio de funcionamento vêm sendo consideradas
promissoras para a obtenção de variáveis dendrométricas de difícil medição em campo. No
entanto, tais tecnologias necessitam ser avaliadas quanto à precisão e acurácia em diferentes
ecossistemas florestais. O objetivo deste estudo foi avaliar o desempenho de duas tecnologias
para obtenção de duas variáveis dendrométricas, o diâmetro medido à altura de 1,30 m do solo
(DAP) e a altura total (Ht), em uma área de floresta de terra-firme na Amazônia central. As
tecnologias analisadas foram um conjunto de dispositivos eletrônicos interligados (suta
eletrônica para o DAP e laser rangefinder para a Ht) e um LiDAR do tipo terrestre (TLS). Um
total de 55 indivíduos arbóreos com DAP ≥ 10 cm foi medido dentro de uma parcela circular
de 30 m de diâmetro. Para o DAP, as medidas das tecnologias foram comparadas com
medidas realizadas com uma fita diamétrica, enquanto que as medidas de Ht foram
comparadas com medidas utilizando fita métrica. As medidas de DAP obtidas com as
diferentes tecnologias foram muito próximas em termos de precisão e acurácia, com as
medidas com a suta eletrônica apresentando uma leve tendência sistemática em subestimar as
medidas da fita diamétrica. Por outro lado, as estimativas da altura usando as diferentes
tecnologias apresentaram uma menor correspondência das alturas medidas pelos aparelhos
com as alturas reais. As medidas advindas do TLS foram ligeiramente melhores do que as
medidas com o laser rangefinder em termos de precisão e acurácia. Foram também
comparadas as medidas Ht advindas das diferentes tecnologias com as estimativas de Ht
advindas de duas equações hipsométricas ajustadas para a Amazônia central (Feldpaush et al.
(2011) e Lima et al. (2012). Embora com precisão satisfatória, a equação de Feldpaush et al.
(2011) apresentou forte tendenciosidade nas estimativas, subestimando sistematicamente as Ht
reais dos indivíduos, quando comparado com as tecnologias analisadas e a equação de Lima et
al. (2011). A equação de Lima et al. (2011), por outro lado, apresentou uma tendência em
subestimar árvores maiores de 20 m de Ht e superestimar árvores menores de 20 m.
Palavras chave: Estrutura florestal, floresta tropical, laser rangefinder, laser escâner terrestre,
variáveis biométricas
viii
ABSTRACT
Technologies with the laser as operating principle have been considered a promising initiative
to obtain demanding dendrometric variables in the field. However, such technologies need to
be evaluated in terms of precision and accuracy in different forest ecosystems. This study
aimed to evaluate the performance of two technologies in obtaining two dendrometric
variables, the diameter measured at the breast height (DBH) and total height (Ht) in a terra
firme forest in central Amazonia. The two technologies were a set of interconnected electronic
devices (electronic caliper for the DAP and laser rangefinder for the Ht) and a terrestrial
LiDAR (TLS). A total of 55 trees with DBH ≥ 10 cm were measured within a 30-m diameter
circular plot. For the DBH, the measurements of the technologies were compared with
measurements made by a diametric tape, whereas the measurements of Ht were compared
with measurements using a metric tape. The measurements of DBH obtained with the
different technologies were very similar in terms of precision and accuracy, with
measurements with the electronic caliper showing a slight systematic tendency to
underestimate the DBH tape measurements. On the other hand, Ht estimates using the
different technologies presented a lower correspondence of the Ht measured by the metric
tape. Measures from TLS were slightly better than those measured with laser rangefinder in
terms of accuracy and accuracy. Ht measurements from the different technologies were
compared with the estimates of Ht from two hypsometric equations adjusted for central
Amazonia (Feldpaush et al. (2011) and Lima et al. (2012). Although with reasonable
precision, the equation of Feldpaush et al. (2011) presented a strong bias in the estimates,
systematically underestimating the real Ht when compared with the technologies analyzed and
the equation of Lima et al. (2011). The equation of Lima et al. (2011), on the other hand,
showed a tendency to underestimate trees larger than 20 m and to overestimate trees smaller
than 20 m.
Keywords: Forest structure, tropical forest, laser rangefinder, terrestrial laser scanner,
biometric variables
ix
SUMÁRIO
LISTA DE FIGURAS ........................................................................................................................... x
1. INTRODUÇÃO .............................................................................................................................. 11
2. OBJETIVOS ................................................................................................................................... 14
2.1. Objetivo Geral ............................................................................................................................... 14
2.2. Objetivos específicos ..................................................................................................................... 14
3. MATERIAL E MÉTODOS ........................................................................................................... 14
3.1. Área de estudo ............................................................................................................................... 14
3.2. Coleta de dados ............................................................................................................................. 16
3.2.1. Dados observados ........................................................................................................................ 16
3.2.2. Dados estimados ......................................................................................................................... 17
3.3. Análise dos dados .......................................................................................................................... 23
4. RESULTADOS............................................................................................................................... 25
4.1. Magnitude dos erros entre as tecnologias ...................................................................................... 25
4.2. Validação das equações hipsométricas .......................................................................................... 29
5. DISCUSSÃO ................................................................................................................................... 31
6. CONCLUSÃO ................................................................................................................................ 35
7. REFERÊNCIAS BIBLIOGRAFICAS ......................................................................................... 35
x
LISTA DE FIGURAS
Figura 1- Mapa da área de estudo e localização das parcelas do AmazonFACE dentro da Estação
Experimental de Silvicultura Tropical (EEST). A parcela analisada está destacada no mapa inferior
(em branco). .......................................................................................................................................... 15
Figura 2- Dispositivos eletrônicos para medição de variáveis biométricas (a) TLS RIEGL VZ 400, (b)
laser rangefinder Trupulse 360R, (c) suta eletrônica BT MEM e (d) computador portátil Getac T800
com o software Field-Map®. ................................................................................................................. 17
Figura 3- Medida da altura total tomadas com o LR com o auxílio de um alvo refletor posicionado
próximo a árvore (Adaptado de Field-Map Catalog). ........................................................................... 18
Figura 4- Esquema de posicionamento do TLS (círculo preto fechado) dentro da parcela circular
(círculo preto aberto) para o escaneamento múltiplo das árvores (pontos cinzas). .............................. 20
Figura 5- Exemplo de uma nuvem de pontos gerada a partir do escaneamento da parcela e suas
variáveis obtidas com o 3D Forest. À esquerda, temos o exemplo para estimar a altura da nuvem de
pontos (TLS Height = 28,92 m) e o comprimento da nuvem de pontos (TLS length = 29,04 m). À
direita estão as estimativas de DAP através de transformação randomizada de Hough (RHT = 39,57
cm) e da regressão por mínimos quadrados (LSR = 39,6 cm). ............................................................. 23
Figura 6- Gráficos de DAPs observados (eixo x) vs. DAPs estimado (suta eletrônica, TLS-RHT e
TLS-LSR) (eixo y), para duas diferentes classes de tamanho de árvore: 10 ≤ DAP ≤ 30cm (painel
superior) e todas as árvores (painel inferior). Linhas sólidas representam os modelos lineares ajustados
e as linhas tracejadas representam as linhas 1: 1 (Y = X). .................................................................... 26
Figura 7 – Desvio-padrão das diferenças entre as medidas estimadas e observadas para o DAP (A) e
Ht (B) para as três métodos diferentes. .................................................................................................. 27
Figura 8- Gráfico de Ht observada (eixo x) vs. Ht estimado (laser rangefinder, TLS-Height e TLS-
Length) para diferentes classes de tamanho de árvore: 10 ≤ Ht ≤ 20m (painel superior), 20 ≤ Ht ≤ 35m
(painel do meio) e todos os dados ( painel inferior). Linhas sólidas representam os modelos lineares
ajustados e as linhas tracejadas representam as linhas 1: 1 (Y = X). .................................................... 28
Figura 9- Gráficos da Ht observada (eixo x) vs. equações hipsométricas DAP: Ht (eixo y) para a
Amazônia central. Linhas sólidas representam os modelos lineares ajustados e as linhas tracejadas
representam as linhas 1: 1 (Y = X). ....................................................................................................... 30
Figura 10- Desvio padrão das diferenças entre o Ht observado e o estimado com duas equações
hipsométricas DAP: Ht para a Amazônia Central. ................................................................................ 30
11
1. INTRODUÇÃO
É notório o papel das florestas tropicais na mitigação das mudanças climáticas através
da absorção do carbono atmosférico e subsequente conversão em biomassa (Phillips et al.
2004; Pan et al. 2011). As estimativas da biomassa viva acima do solo em florestas tropicais
advêm do uso de parcelas permanentes dentro das quais são coletadas variáveis
dendrométricas ao longo do tempo. Protocolos são estabelecidos para a medição de variáveis
estruturais nestas parcelas com o intuito de i) padronizar as medidas possibilitando a
comparação entre diferentes locais e ii) minimizar os erros não amostrais (Condit 1998;
TEAM 2010; Marthews et al. 2014; Anderson-Teixeira et al. 2015; Phillips et al. 2016). As
informações coletadas são então utilizadas em modelos alométricos ajustados para a
estimativa de biomassa no nível de parcela. No entanto, há ainda grandes incertezas
associadas ao uso de modelos alométricos. Tais modelos usam originalmente o diâmetro do
fuste medido à altura de 1,30 m em relação ao solo (DAP) como principal variável preditora
da biomassa individual, mas a inserção de variáveis tais como altura total (Ht) e densidade da
madeira vêm sendo apontadas como promissoras para o aumento da precisão no nível local,
pois estes atributos apresentam variação associada às características ambientais (Chave et al.
2004, 2014; Nogueira et al. 2008; Banin et al. 2012; Siliprandi et al. 2016). Neste sentido, a
inserção e a aferição da Ht nos modelos alométricos pode diminuir substancialmente as
incertezas das estimativas de biomassa, principalmente em áreas onde não ainda se têm
equações alométricas definidas, como é o caso da maioria das florestas da Amazônia.
A medição direta do DAP nas parcelas permanentes, em que se utiliza geralmente fita
diamétrica, caracteriza-se pela rapidez e consequente baixo custo operacional, mas as suas
medidas podem resultar em erros não aleatórios devido a imperfeições localizadas no tronco
(e.g, sapopemas, calos, fissuras, deformidades), posicionamento errôneo da fita na árvore e
erro de leitura da medida ou pelo operador ou anotador. No entanto, tais erros podem ser
significativamente minimizados pela remedição das parcelas com diferentes equipes de
campo (ver Clark e Clark 2000). Por outro lado, a obtenção direta da altura arbórea é
considerada altamente laboriosa e duradoura e, consequentemente, de alto custo de obtenção
em campo. Além disso, pode apresentar uma menor acurácia comparada ao DAP, devido à
maior dificuldade do operador visualizar o topo da árvore. Dada essa dificuldade de obtenção
da Ht em campo, uma forma proposta tem sido o ajuste de relações hipsométricas (relação
12
DAP e Ht) em escalas local, regional e pantropical em florestas tropicais (Feldpausch et al.
2011; Lima et al. 2012; Ledo et al. 2016).
Para as variáveis dendrométricas de difícil obtenção de coleta em campo, causado pela
estratificação e presença de material vegetativo (galhos e folhas) nas camadas intermediárias
do dossel, tais como Ht e variáveis relacionadas à copa, tecnologias que utilizam o laser
rangefinder (LR) como princípio de funcionamento, vêm demonstrado resultados satisfatórios
tanto em florestas temperadas (Bragg 2007a, b; Bragg et al. 2011) quanto em florestas
tropicais (Stark et al. 2012; Hunter et al. 2013; Almeida et al. 2016). Laser é um acrônimo de
“amplificação da luz por emissão estimulada de radiação” (do inglês Light Amplification by
Stimulated Emission of Radiation). O LR é capaz de determinar a distância de um dado objeto
de acordo com o tempo de emissão e retorno de um feixe de laser ao dispositivo com precisão
milimétrica (Bosch 2001). Os inventários nacionais na Europa utilizam uma nova proposta
para levantamento de variáveis biométricas em campo, no qual o LR é integrado a outros
dispositivos eletrônicos e computadores portáteis (Kalliovirta et al. 2005). O dispositivo
proposto pelo Instituto de Pesquisa de Ecossistemas Florestais (Institute of Forest Ecosystem
Research, Praga, República Checa) integra o LR (para medir distância e altura), a uma suta
eletrônica para medir diâmetros e a um computador portátil por Bluetooth1, que possui
softwares específicos para auxiliar na coleta, armazenamento, visualização e análise dos
dados em campo (www.fieldmap.cz).
Uma outra tecnologia que também utiliza a tecnologia LR para extrair variáveis
biométricas da vegetação é o LiDAR (do inglês Light Detection and Ranging), em que são
pulsados milhares de feixes de laser ao ambiente e registrado o retorno dos pulsos em
coordenadas tridimensionais no plano x,y,z, podendo ser gerado um mapa tridimensional
conhecido como nuvem de pontos (Riegl Laser Measurement Systems 2014; Newnham et al.
2015). Em florestas temperadas e tropicais a forma mais disseminada que esta tecnologia é
utilizada é o laser escâner aerotransportável, conhecido como ALS (do inglês airborne laser
scanning). Tal tecnologia permite o escaneamento de extensas áreas de forma
economicamente viável (Asner e Mascaro 2014; van Leeuwen e Disney 2018). Outra forma
que o sensor LiDAR pode ser usado é aquela montado ao nível do solo de forma móvel ou
portátil, esse sistema é conhecido como terrestrial laser scanner (TLS). Existem diversos
tipos e modelos de TLS disponíveis no mercado, oferecendo diferenças principalmente quanto
1 Bluetooth
® é uma tecnologia sem fio que permiti o compartilhamento de informações digitais entre dispositivos
sem a necessidade de internet.
13
ao nível de resolução, alcance do feixe de laser e acurácia das medidas (Kelbe et al. 2015;
Calders et al. 2017). O tipo de TLS mais comumente empregado à atenção na área florestal é
o do tipo de alta resolução, capaz de registrar milhões de pontos, recriar a forma original de
um objeto (e.g. árvore) no plano digital, além da resposta espectral de um determinado alvo
(Newnham et al. 2015; van Leeuwen and Disney 2018). Tais propriedades técnicas permitem-
se obter as diferentes variáveis dendrométricas, além de índice de área vegetal (IAP, do inglês
plant area index), volume de galhos e folhas, volume do tronco e arquitetura de copa (Dassot
et al. 2011; Calders et al. 2015b; Liang et al. 2016; Wang et al. 2016).
Estudos de variáveis estruturais com o uso do LR e do TLS estão bastante avançados
em florestas temperadas (Yang et al. 2013; Krooks et al. 2014; Raumonen et al. 2015;
Åkerblom et al. 2017). A principal limitação do uso de tecnologias que utilizam o laser como
princípio de funcionamento no ambiente florestal, seja temperada ou tropical, é a oclusão
(obstrução) do feixe de laser pelo material vegetativo presente nas diferentes camadas do
estrato florestal e aumenta conforme o feixe se distancia do TLS (Lovell et al. 2003, 2011;
Strahler et al. 2008; Yao et al. 2011). Nos aparelhos LR portáteis, por sua vez, existem
modelos específicos para uso florestal que possuem configurações para aliviar o problema da
oclusão, em que geralmente são utilizados filtros de folhagem e configurações onde o pulso
do laser é emitido de forma a retornar somente ao atingir um alvo refletor (Laser Technology
Inc. 2009). Para o TLS uma das formas de aliviar os efeitos da oclusão é o múltiplo
escaneamento das árvores de interesse, no qual o TLS é montado em diferentes locais da
parcela, buscando diferentes ângulos de visada da mesma árvore para formar uma nuvem de
pontos mais próxima da forma original (Hopkinson et al. 2004; Tansey et al. 2009; Astrup et
al. 2014; Fournier et al. 2015).
O uso do LR portátil em florestas tropicais pode resultar em diferentes magnitudes de
erros, dependendo do operador e do cálculo utilizado para a obtenção da altura (Larjavaara e
Muller-Landau 2013) e devido às diferenças estruturais das parcelas (Hunter et al. 2013). Em
florestas tropicais, os estudos com dispositivos eletrônicos interligados que utilizam o LR
portátil são ainda escassos. Os dispositivos interligados de LR avaliados nesse estudo foram
utilizados uma única ocasião em uma área de floresta tropical em Brunei, Ásia (Hédl et al.
2009). Nesse estudo, os autores avaliaram somente a funcionalidade do dispositivo em relação
a precisão e acurácia do DAP e mapeamento dos indivíduos arbóreos. Por outro lado, estudos
que utilizam o TLS para análise da estrutura da vegetação em florestas tropicais vêm
aumentando significativamente nos últimos três anos (e.g, Rahman et al. 2015, 2017; Olagoke
14
et al. 2016; Palace et al. 2016; Prasada et al. 2016; Tavares et al. 2016; Burt 2017; Momo et
al. 2017; Tanago et al. 2017; Disney et al. 2018).
O uso de tais tecnologias oferece uma oportunidade de se obter diversas variáveis
dendrométricas para grande número de parcelas de forma relativamente rápida e, como
consequência, a inserção dessas variáveis resultará em modelos alométricos de estimativas de
biomassa mais precisos. Embora venham mostrando resultados satisfatórios (Hunter et al.
2013; Calders et al. 2015a; Tanago et al. 2017), é necessário submetê-las às diferentes
situações e ambientes para se possa avaliar a magnitude dos erros associados às estimativas
das variáveis de interesse. O presente estudo teve como objetivo testar o desempenho de duas
tecnologias, LR e TLS, em termos de precisão e acurácia nas medidas do DAP e Ht. Aliado a
isso, o estudo também comparou a precisão e a acurácia de duas relações hipsométricas com
aquelas obtidas com o uso das duas tecnologias.
2. OBJETIVOS
2.1. Objetivo Geral
Investigar o desempenho de aparelhos eletrônicos para a medida de variáveis
dendrométricas em uma floresta de terra firme na Amazônia central.
2.2. Objetivos específicos
Avaliar os diferentes tipos de erros nas medidas das variáveis biométricas obtidas com
aparelhos eletrônicos interligados e do TLS com medidas convencionais.
Avaliar se relações alométricas entre DAP:Ht propostas para Amazônia central são
adequadas para estimativas de Ht para o local deste estudo.
3. MATERIAL E MÉTODOS
3.1. Área de estudo
O estudo foi realizado na Estação Experimental de Silvicultura Tropical (EEST),
administrada pelo Instituto Nacional de Pesquisas da Amazônia (INPA), núcleo ZF-2. As
parcelas utilizadas para este estudo estão localizadas no km 34 da estrada vicinal ZF-2 a qual
se inicia no km 50 da rodovia BR-174 (2°36’32,67’’ S; 60°12’33,48 O) (Figura 1). Essas
parcelas fazem parte do programa AmazonFACE (do inglês Free-Air CO2 Enhancement
Experiment in the Amazon ou Experimento de Enriquecimento de CO2 ao Ar Livre na
15
Amazônia), que visa analisar as respostas ecofisiológicas de uma floresta tropical madura
frente um cenário de mudanças climáticas, com o aumento da concentração de CO2
atmosférico em 50% acima das concentrações atuais. O referido programa se encontra na sua
fase inicial com a obtenção de informações anteriores à aplicação do CO2, com a avaliação
dos processos ecofisiológicos acima e abaixo do solo em condições naturais para
comparações futuras pós-fertilização (Lapola e Norby 2014; Hofhansl et al. 2016).
Figura 1- Mapa da área de estudo e localização das parcelas do AmazonFACE dentro da Estação
Experimental de Silvicultura Tropical (EEST). A parcela analisada está destacada no mapa inferior
(em branco).
O clima da região é Am segundo a classificação de Köppen-Geiger, o que caracteriza
um clima tropical chuvoso, com temperaturas médias mensais variando de 24 a 27 ºC (Peel et
al. 2007). A precipitação anual é de 2400 mm com um período seco entre os meses julho,
agosto e setembro, onde a precipitação mensal é menor que 100 mm (Araújo et al. 2002; Peel
et al. 2007). Os solos são argilosos do tipo Latossolo Amarelo com alto teor de argila e baixa
fertilidade natural (Luizão et al. 2004).
Segundo o Instituto Brasileiro de Geografia e Estatística (IBGE, 1992) a vegetação é
caracterizada como floresta ombrófila densa, sendo típica de uma floresta de terra firme. A
16
estrutura da vegetação forma um dossel com 30 m de altura, sendo que as árvores emergentes
podem chegar a 45 m, com indivíduos chegando a valores acima de 90 cm de DAP e com área
basal entre 28- 30 m2/ha (Vieira et al. 2004). As famílias mais abundantes são Lecythidaceae,
Sapotaceae, Arecaceae, Euphorbiaceae, Burseraceae e Chrysobalanaceae e as famílias mais
ricas em espécies são Chrysobalanaceae, Sapotaceae e Lauraceae (Carneiro et al. 2005).
3.2. Coleta de dados
3.2.1. Dados observados
O programa AmazonFACE conta com oito parcelas de formato circular com 30 metros
de diâmetro cada (15 metros de raio), compreendendo uma área total de 706 m2 (0.07 ha). As
parcelas estão distribuídas nos 400 metros iniciais de um transecto sentido norte-sul e engloba
apenas áreas mais altas do relevo (platô). Duas parcelas possuem torres que ultrapassam o
dossel superior da floresta e contam com equipamentos para medidas micrometeorológicas
(Lapola e Norby 2014). O presente estudo foi realizado em uma parcela do projeto (Fig. 1).
Os dados considerados como realidade de campo (observados) foram coletados entre
junho e dezembro de 2016. Para o DAP foram consideradas as medidas tomadas com uma fita
diamétrica de 5 m (Forestry Supplies, Mississippi, EUA). As medidas foram tomadas
preferencialmente a 1,30 m do nível do solo, mas no caso de imperfeições ou sapopemas o
ponto de medida foi deslocado para cima até que a forma se normalizasse. Após a coleta de
cada DAP foi realizado a marcação do ponto de medida com tinta (Condit 1998; Marthews et
al. 2014). O limite de inclusão dos indivíduos inventariados foi de DAP ≥ 10 cm. Para a Ht,
os dados observados foram obtidos através de uma fita métrica de 50 m (Irwin Tools,
Carolina do Norte, EUA), sendo levada por um escalador até o ponto mais alto da árvore de
interesse (Clark et al. 2001; Feldpausch et al. 2011). Caso o ponto mais alto não fosse
alcançado, o escalador utilizou uma vara de medida para se alcançar o ponto mais alto da
copa. Um total de 55 árvores tiveram seus DAP e Ht medidas nesta parcela. O DAP variou de
10 a 55,8 cm e a Ht, de 13,2 a 33,3 m.
17
Figura 2- Dispositivos eletrônicos para medição de variáveis biométricas (a) TLS RIEGL VZ 400, (b)
laser rangefinder Trupulse 360R, (c) suta eletrônica BT MEM e (d) computador portátil Getac T800
com o software Field-Map®.
3.2.2. Dados estimados
Neste estudo, as medidas com as tecnologias utilizadas são definidas como medidas
estimadas. As medidas estimadas do DAP e Ht foram provenientes do (i) TLS RIEGL VZ400
(Riegl Laser Measurement Systems, Horn, Áustria) (Fig. 2a), (ii) laser rangefinder TruPulse
360R (Laser Technology Inc., Colorado, EUA) (Fig. 2b) e (iii) suta eletrônica BT MEM
(Masser OY, Rovaniemi, Finlândia) (Fig. 2c). Estes dois últimos aparelhos interligados a um
computador portátil Getac T800 (Getac, Hsinchu County, Taiwan) integrado ao software
Field-Map® (Institute of Forest Ecosystem Research Ltd., Praga, República Tcheca), em que
os dados são armazenados de forma instantânea, sem a necessidade de anotações pelo
operador (Fig. 2d).
Para a estimativa do DAP foi utilizada a suta eletrônica (Fig. 2c), onde foi retirada a
média das medidas perpendiculares no tronco, no mesmo local onde foi feita a medida com a
fita diamétrica. A suta eletrônica possui um gatilho o qual deve ser pressionado uma vez para
cada medida no tronco. As medidas são enviadas para o computador portátil e
automaticamente o software Field-Map® calcula a média geométrica entre as medidas e as
18
registra. Caso tenha ocorrido algum erro durante a medida é possível através de um toque na
tela do computador portátil refazer a medida.
A Ht foi estimada com o LR utilizando o método tangente proposto por Larjavaara e
Muller-Landau (2013). O técnico responsável pelas medidas procurou um local que era
possível visualizar o ponto mais alto da copa e o tronco da árvore em questão, sem ultrapassar
a inclinação de 45º entre o responsável e o topo da árvore. Ao encontrar o ponto mais alto o
técnico deve seguir dois passos indicados pelo aparelho para estimar a altura. O primeiro
passo é posicionar um bastão topográfico munido de um alvo refletor em frente a árvore de
interesse. O ideal é que esse procedimento seja feito por uma segunda pessoa, em um local
que o técnico consiga visualizar o alvo. Posteriormente, deve-se fazer um disparo com o LR
para o alvo refletor e depois de registrado, de forma automática, o técnico deve fazer um
segundo disparo para o ponto mais alto da copa (Fig. 3). Após os disparos a Ht é mostrada na
tela do computador portátil. Assim como para o DAP, em caso de erro qualquer medida pode
ser refeita com um toque na tela. Os dados de DAP e Ht ficam registrados em uma planilha
digital no computador portátil que podem ser acessados e extraídos via mídias portáteis (e.g.
cartão de memória, disco rígido) e/ou redes sem fio (Bluetooth).
Figura 3- Medida da altura total tomadas com o LR com o auxílio de um alvo refletor posicionado
próximo a árvore (Adaptado de Field-Map Catalog).
Os escaneamentos tridimensionais das árvores foram realizados com o TLS RIEGL
VZ-400 (Fig. 2a). A divergência do feixe de laser é 0,35 mrad operando na faixa do
infravermelho próximo (comprimento de onda 1550 nm), podendo registrar alvos dentro de
19
um alcance de até 350 m. O aparelho possui sensores internos que nivelam o aparelho no tripé
de forma automática nos três planos dimensionais (x, y, z) (Riegl Laser Measurement Systems
2014). As configurações foram as mesmas em todas as posições de escaneamento (Fig. 4) e
estão resumidas na Tabela 2. O TLS é capaz de adquirir de forma rápida uma grande
quantidade de dados, pois registra múltiplos retornos dos pulsos de laser (até quatro retornos
por pulso emitido), levando assim a uma melhor amostragem para os alvos mais distantes,
como por exemplo as copas mais altas (Calders et al. 2015a). Os dados de TLS foram
coletados usando o modo de alta velocidade para obter a quantidade máxima de pontos de
retorno de laser por tempo, o que melhora substancialmente a caracterização da estrutura da
floresta. Ao contrário, o modo de longo alcance produz menos pontos de retorno por tempo,
pois ajusta a frequência do laser para produzir menos pulsos, porém mais potentes e que
percorrem distâncias mais longas (Lemmens 2011), uma característica não necessariamente
útil para o objetivo deste estudo.
Tabela 2- Configurações utilizadas nos escaneamentos com o TLS RIEGL VZ 400 na parcela
do AmazonFACE.
Divergência do feixe de laser 0,35 mrad *
Taxa de repetição do feixe de laser 300 kHz
Alcance de leitura vertical 30- 130º
Alcance de leitura horizontal 0-360º
Alcance mínimo 1,5m
* 0,35 mrad corresponde a um aumento de 35 mm de diâmetro do feixe em 100 m de distância.
Foram utilizados de 8 a 10 pontos de escaneamento em um esquema de amostragem
sistemática, com um local de escaneamento central e um local de escaneamento
aproximadamente a 10 m do centro em cada direção cardinal, de tal forma que a distância
média entre escaneamentos não ultrapassou 10 metros (Fig. 4). O RIEGL VZ-400 tem um
alcance de ângulo vertical (Zenith) de 30-130° (Tabela 2). Portanto, um escaneamento
adicional foi adquirido em cada localização de escaneamento com o instrumento inclinado em
90º da vertical para amostrar de forma completa o dossel. O tempo de coleta por posição foi
de aproximadamente 2 minutos para ambas as posições (vertical e inclinada em 90°). Para a
identificação das cenas geradas por cada posição do TLS no múltiplo escaneamento, foram
distribuídos ao longo das parcelas alvos refletores.
20
Figura 4- Esquema de posicionamento do TLS (círculo preto fechado) dentro da parcela circular
(círculo preto aberto) para o escaneamento múltiplo das árvores (pontos cinzas).
As cenas geradas por cada escaneamento no passo anterior precisam ser alinhadas em
um sistema comum de coordenadas para formar uma única nuvem de pontos para toda a
parcela. Este processo é definido como registro da nuvem de pontos (Henning e Radtke 2006;
Hosoi e Omasa 2006; Wilkes et al. 2017). O processo foi feito de forma automática no
programa RiSCAN PRO (Riegl Laser Measurement Systems 2014) que identifica os alvos
refletores em cada cena de escaneamento. Para tal, foram distribuídos, em campo, 4 alvos
refletores para cada local de escaneamento, considerado o número mínimo para obter posições
exatas dos pontos nas coordenadas x,y,z, (Calders et al. 2017). Os alvos utilizados foram
feitos a partir de uma fita refletora colada em cilindros de plástico de 5 cm de diâmetro e 10
cm de altura (Wilkes et al. 2017). No entanto, quanto mais alvos refletores puderem ser
detectados pelos escaneamentos melhor será o procedimento de registo automatizado.
Para extrair uma nuvem de pontos para cada árvore individual foi usado o algoritmo
treeseg. proposto por Burt (2017), disponível em https://github.com/apburt/treeseg. O treeseg.
é formado, em parte, por algoritmos de uma biblioteca aberta em linguagem computacional
C++, conhecida como Point Cloud Library (http://pointclouds.org), que auxiliam no
processamento e análise de nuvem de pontos (Rusu e Cousins 2011). A extração
semiautomática de cada árvore na nuvem de pontos gerada pelo múltiplo escaneamento (Fig.
4) ocorre através de quatro passos: (i) identificação dos troncos através da segmentação a
partir do nível do solo e dos valores de reflectância2; (ii) ajuste de uma forma de cilindro nos
2 Reflectância é a proporção entre o fluxo de radiação eletromagnética incidente numa superfície e o fluxo que é
refletido. Para o LiDAR os valores variam dentro de uma escala logarítmica de decibéis, quanto menor o nível
mais forte o sinal, os retornos do TLS deste estudo variam de 0 a 50 dB.
21
troncos detectados e aplicação de uma série de filtros que passam em relação à nuvem de
pontos não filtrada no passo anterior, para extrair as árvores individuais; (iii) identificação
sequencial dos aglomerados de pontos, definidos pela densidade de pontos por seções de
altura ao longo do comprimento da árvore, para remover a vegetação e outros artefatos não
relacionadas destas nuvens e (iv) inspeção visual em toda a nuvem de pontos e, se necessário,
remoção manual de vegetação não relacionada de árvores vizinhas (Hopkinson et al. 2004;
Calders et al. 2015a; Burt 2017).
No primeiro passo, foram utilizados dados brutos do TLS dentro dos raios de 15 m das
parcelas e que apresentaram altos valores de refletância. Foi criado um modelo digital do
terreno (MDT) na nuvem de pontos com os retornos mais baixos localizados no eixo z. Após
o MDT tira-se uma seção da nuvem de pontos de 6 m de altura no eixo z; restando apenas
aglomerados de pontos, que são potenciais árvores ou outro material vegetal. No segundo
passo a fatia gerada no passo anterior é submetida ao algoritmo interativo RANSAC (do
inglês Random Sample Consensus), que ajusta um cilindro nos aglomerados de pontos
identificados anteriormente. No terceiro passo os troncos identificados anteriormente são
filtrados junto da sua área circunvizinha e os pontos do chão são removidos. O algoritmo
RANSAC agora é utilizado para identificar a forma do tronco ao longo do eixo z e os pontos
que pertencem a árvore de interesse. O algoritmo começa a análise no nível do solo e vai
aumentando suas seções em 1 m de altura no eixo z, ao passo que as seções vão subindo em
relação ao ápice da árvore, tais seções aumentavam três vezes suas dimensões nas
coordenadas x, y, em comparação com a seção anterior. Buscando identificar a estrutura da
copa da árvore de interesse e consequentemente os pontos que a compõem. Vale ressaltar que
no passo 2 e 3 a nuvem de pontos analisadas tiveram um raio de 50 m, para captar os retornos
das copas que passavam os limites da parcela. No quarto e último passo é feita a visualização
individual da nuvem de pontos de cada árvore e remoção manual dos pontos que não são da
árvore de interesse, possivelmente retornos do TLS advindos da vegetação circunvizinha
(Hopkinson et al. 2004; Calders et al. 2015a). Após a extração de uma nuvem de pontos para
cada árvore analisada, foi gerado um arquivo .txt contendo as coordenadas tridimensionais
x,y,z.
Os arquivos com as coordenadas tridimensionais de cada de árvore, gerados no passo
anterior, foram lidos em um software livre especifico para análise da nuvem de pontos gerado
por LiDAR. O programa permite a extração de variáveis estruturais horizontais e verticais tais
como o DAP, Ht, posição da árvore e a cubagem do tronco, altura do fuste, profundidade de
22
copa, área e volume de copa. O software utilizado foi o 3D Forest versão 0.42 proposto por
Trochta et al. (2017) (disponível em www.3dforest.eu). O programa possui como requisitos
computador com processador de arquitetura em 64 bits, no mínimo 4 GB de memória RAM e
sistema operacional de 64 bits (Trochta et al. 2017). A versão disponível está somente
disponível para sistema operacional Windows.
Para a estimativa do DAP da nuvem de pontos o 3D Forest utiliza dois métodos: i)
transformação aleatorizada de Hough (RHT) para o ajuste de um círculo no tronco, sendo
possível ajustar o número de interações (padrão foram 200 interações) e ii) regressão por
mínimos quadrados (LSR) com estimativa algébrica do círculo e redução da distância
quadrática do círculo ajustado (Chernov e Lesort 2005). Os dois métodos utilizam uma parte
da nuvem de pontos, uma seção horizontal de 10 cm de espessura do tronco entre 1,25 e 1,35
metros acima do ponto mais baixo da nuvem de pontos (Trochta et al. 2017, Fig.5). Para a
extração do diâmetro em uma posição diferente da convencional (1,30 m) o comando stem
curve é capaz de determinar o diâmetro em diferentes posições do tronco, do mesmo modo
proposto para quantificar o volume através da cubagem rigorosa. Os diâmetros no comando
stem curve medidos na nuvem de pontos estão localizados, em relação à base da nuvem, a
0,65 m, 1,3 m, 2 m e a cada 1 m até a primeira bifurcação do tronco. O comando stem curve
termina quando o diâmetro estimado é duas vezes maior do que os dois diâmetros anteriores,
o que indica a expansão da copa na nuvem de pontos de cada árvore (Trochta et al. 2017).
Assim como para o DAP o 3D Forest utiliza dois métodos para determinar a altura das
árvores. O primeiro comando define a Ht sendo a diferença entre o ponto mais alto e o mais
baixo na nuvem de pontos no eixo de coordenadas z (TLS Height). Enquanto que o segundo
comando computa a maior distância euclidiana entre um ponto na base da nuvem e o mais
distante em qualquer direção da nuvem (TLS Length). O último método é o mais indicado
para árvores inclinadas (Trochta et al. 2017, Fig.5).
23
Figura 5- Exemplo de uma nuvem de pontos gerada a partir do escaneamento da parcela e suas
variáveis obtidas com o 3D Forest. À esquerda, temos o exemplo para estimar a altura da nuvem de
pontos (TLS Height = 28,92 m) e o comprimento da nuvem de pontos (TLS length = 29,04 m). À
direita estão as estimativas de DAP através de transformação randomizada de Hough (RHT = 39,57
cm) e da regressão por mínimos quadrados (LSR = 39,6 cm).
3.3. Análise dos dados
Para o DAP, as análises foram realizadas considerando indivíduos arbóreos com 10 ≤
DAP < 30 cm e todo o conjunto de dados. Para a Ht, as análises consideraram duas classes de
tamanho, 10 ≥ Ht < 20 m e 20 ≥ Ht < 35 m, e todo o conjunto de dados.
Diferentes abordagens analíticas foram realizadas para avaliar a precisão e acurácia
das medidas estimadas obtidas pelas diferentes tecnologias:
1) Regressões lineares foram ajustadas para a relação dos dados observados (medidos com a
fita diamétrica e a fita métrica) com os dados estimados através dos instrumentos. Os
parâmetros dos modelos, intercepto e inclinação, foram usados como medidas de acurácia
e os coeficientes de determinação (R2),
como medidas de precisão.
2) Para cada tecnologia utilizada foram quantificados o erro total, erro sistemático e erro
aleatório. O erro total é obtido através da raiz do erro quadrático médio (RMSE):
( ) √
( )
(1)
24
O erro sistemático ou viés (do inglês bias) foi calculado como a média do erro das
medidas (Eq.2) (Walther e Moore 2005). O cálculo é feito da seguinte forma:
( )
( ) (2)
O erro aleatório foi considerado a variação dos erros das medidas e representa a
“variância estatística de uma metodologia de estimação” (West 1999), sendo calculado da
forma:
( ) √
( )
(3)
Devido aos erros aumentarem, em termos absolutos com o DAP e Ht, foi calculado
todos os erros acima citados de forma proporcional. O erro total proporcional, erro sistemático
proporcional e o erro aleatório proporcional foram calculados conforme as equações abaixo:
( ) √
(
)
(4)
(
) (5)
√
(
)
(6)
Onde xmedido é a medida real (ou observada) e O xestimado são os dados estimados com
os dispositivos eletrônicos para cada árvore individualmente e n é o número de árvores. Alta
precisão está relacionada com baixo erro aleatório; o erro sistemático indica a tendência de
um instrumento em registrar resultados sistematicamente acima ou abaixo do valor real; e a
passo que a acurácia está ligada a combinação do erro sistemático e do erro aleatório, sendo
definida por vários autores como sendo a distância total entre os valores estimados e o valor
real (observado) (Walther and Moore 2005).
3) O desvio padrão das diferenças entre os valores estimados e observados foi calculado e
serve como uma medida de precisão.
As medidas estimadas pelas tecnologias foram comparadas com as estimativas obtidas
através de duas equações hipsométricas entre DAP e Ht desenvolvidas para mesma área deste
estudo por Lima et al. (2012) e Feldpausch et al. (2011) (Tabela 3).
25
Tabela 3-Modelos hipsométricos testados para estimativa de Ht a partir do DAP e seus coeficientes
(a,b,c) para a Amazônia Central.
Modelo Modelo
Coeficientes
a b c
Lima et al. 2012 (
)
2.53 0.95 41.4
Feldpausch et al. 2011 ( ) ( ) 1.1562 0.5072 -
4. RESULTADOS
4.1. Magnitude dos erros entre as tecnologias
Independentemente da tecnologia usada, os DAPs estimados foram muito próximos e
centrados em volta da linha 1:1 para a classe 10 ≤ DAP ≤ 30 cm e todos os indivíduos
arbóreos (Fig. 6). No entanto, para ambas as classes de tamanho, o R2 obtido pelas estimativas
da suta eletrônica (0,99 para ambas as classes) foi ligeiramente maior do que as medidas
advindas da nuvem de pontos do TLS através da RHT (R2=0,93 e 0,96 para a classe 10 ≤
DAP ≤ 30 e todos os indivíduos) e da LSR (R2=0,94 e 0,96, respectivamente). Tais diferenças
observadas no R2 entre os métodos são quantificadas nos seus erros aleatórios (Tabela 3). A
suta eletrônica exibiu menor erro aleatório (Erprop=2,2% e 2,3%) quando comparada com o
TLS-RHT (11,6% e 11%) e TLS-LSR (10,4% e 10,1%). Os erros sistemáticos foram menores
em magnitude quando comparados aos erros aleatórios para os três métodos em ambas as
classes de tamanho. O TLS-RHT apresentou um baixo erro sistemático para a classe 10 ≤
DAP < 30 cm (Tabela 3). Tal fato é um artefato matemático, todavia, pois desvios negativos
tendem anular desvios positivos e vice-versa e, como resultado, os erros sistemáticos podem
ser próximos a zero (veja a equação 2) . O coeficiente de inclinação da reta para o TLS-RHT e
TLS-LSR foi de 1,16 e 1,12, e o intercepto foi de -2,60 e -1,56, respectivamente, ao passo que
para a suta o coeficiente de inclinação da reta foi bastante próximo a 1 (0,99) e o intercepto,
próximo a 0, indicando que os dois métodos TLS tendem a superestimar diâmetros maiores e
subestimar diâmetros menores (Fig. 6). Além disso, o desvio padrão das diferenças entre o
observado e o estimado pela suta foi 3-5 vezes menor do que aqueles estimados por ambos os
métodos TLS para ambas as classes de tamanho (Fig. 7A). De fato, em termos de erros totais,
que também mede a acurácia das medidas, a suta eletrônica apresentou menores erros tanto
para a classe de 10 a 30 cm de DAP quanto para todos os indivíduos arbóreos (Tabela 3).
26
Figura 6- Gráficos de DAPs observados (eixo x) vs. DAPs estimado (suta eletrônica, TLS-RHT e
TLS-LSR) (eixo y), para duas diferentes classes de tamanho de árvore: 10 ≤ DAP ≤ 30cm (painel
superior) e todas as árvores (painel inferior). Linhas sólidas representam os modelos lineares ajustados
e as linhas tracejadas representam as linhas 1: 1 (Y = X).
Tabela 3- Resumo dos erros nos DAPs medidos para diferentes métodos de medição em relação aos
DAPs observados (reais) em duas classes de tamanho de árvore. Os erros são mostrados em termos
absolutos e proporcionais.
10 ≥ DAP < 30 cm (n=46)
Metodologia
Erro total Erro sistemático Erro aleatório
Et
(cm)
Etprop
(%)
Es
(cm)
Esprop
(%)
Er
(cm)
Erprop
(%)
Suta eletrônica 0,5 3,0 -0,3 -2,1 0,4 2,2
RHT 1,8 11,5 0,02 -1,2 1,8 11,6
LSR 1,6 10,5 0,5 2,2 1,2 10,4
Todas árvores (n=55)
Metodologia
Erro total Erro sistemático Erro aleatório
Et
(cm)
Etprop
(%)
Es
(cm)
Esprop
(%)
Er
(cm)
Erprop
(%)
Suta eletrônica 0,9 3,2 -0,55 -2,3 0,7 2,3
RHT 2,4 11,1 -0,37 -1,8 2,4 11,0
LSR 2,3 10,2 0,21 1,6 2,0 10,1
27
Figura 7 – Desvio-padrão das diferenças entre as medidas estimadas e observadas para o DAP (A) e
Ht (B) para as três métodos diferentes.
Ao contrário do DAP, as estimativas da altura usando as diferentes tecnologias
apresentaram uma menor correspondência das alturas estimadas com as alturas reais. Para as
árvores com 10 ≤ Ht ≤ 20m, as alturas obtidas através do LR apresentaram menor precisão
(R2=0,62 e Erprop=12%) quando comparado com o TLS-Height (R
2=0,77 e Erprop=9,1%) e
TLS-Lenght (R2=0,75 e Erprop=8,9%). As estimativas dos três métodos foram mais similares
em termos de precisão tanto para a classe de 20 ≤ Ht ≤ 35m quanto para todos os indivíduos
arbóreos, com uma diminuição na precisão para o TLS-Height e TLS-Lenght na classe de 20
≤ Ht ≤ 35m e uma melhora significativa na precisão quando se considera todos os indivíduos
arbóreos (Fig. 8, Tabela 4). Este ganho na precisão advém da esperada relação positiva entre o
tamanho amostral e precisão das estimativas, devido à espera diminuição do valor residual.
Por outro lado, pode-se observar que o desvio-padrão das diferenças foi maior para tanto para
a classe de 20 ≤ Ht ≤ 35m quanto para todos os indivíduos arbóreos quando comparado às
árvores com 10 ≤ Ht ≤ 20m para os três métodos (Fig. 7B).
Em termos de acurácia, é clara a tendência à superestimativa das maiores alturas de
ambos os métodos advindos do TLS para a classe de 10 ≤ Ht ≤ 20m. O LR, por sua vez, tende
a sub e superestimar as menores e maiores alturas, respectivamente (Fig. 8). No entanto, as
diferenças com respeito aos erros sistemáticos e totais são pequenas entre os três métodos
(Tabela 4). Para a classe de 20 ≤ Ht ≤ 35m, há uma tendência de superestimativa dos três
métodos, com o LR tendendo a superestimar árvores no final do intervalo (coeficiente de
inclinação > 1) e ambos os métodos TLS tendendo a superestimar a altura de árvores no início
do intervalo (coeficiente de inclinação < 1). Para os dados totais, o LR continua apresentando
28
tendência a superestimar as alturas maiores e há uma maior correspondência entre as alturas
estimadas e reais pelos métodos TLS com os coeficientes de inclinação próximos a 1 e
interceptos mais próximos a 0.
Figura 8- Gráfico de Ht observada (eixo x) vs. Ht estimado (laser rangefinder, TLS-Height e TLS-
Length) para diferentes classes de tamanho de árvore: 10 ≤ Ht ≤ 20m (painel superior), 20 ≤ Ht ≤ 35m
(painel do meio) e todos os dados ( painel inferior). Linhas sólidas representam os modelos lineares
ajustados e as linhas tracejadas representam as linhas 1: 1 (Y = X).
29
Tabela 4 - Métricas de erro entre as metodologias de estimativa da altura total (Ht) para árvores com Ht
entre 10 e 20 m (n = 26), Ht entre 20 e 35 m (n = 29) e para todas as árvores (n = 55). Os erros são
mostrados em termos absolutos e proporcionais para metodologias de LR (Rangefinder), altura da
nuvem de pontos (TLS Height) e comprimento da nuvem de pontos (TLS Length).
10 ≥ Ht < 20 m (n= 26)
Metodologia
Erro total Erro sistemático Erro aleatório
Et
(m)
Etprop
(%)
Es
(m)
Esprop
(%)
Er
(m)
Erprop
(%)
Rangefinder 1,9 11,9 -0,3 -2,0 1,9 12,0
TLS Height 1,8 10,2 0,9 4,9 1,2 9,1
TLS Length 1,9 10,5 1,0 5,8 1,6 8,9
20 ≥ Ht < 35 m (n= 29)
Metodologia
Erro total Erro sistemático Erro aleatório
Et
(m)
Etprop
(%)
Es
(m)
Esprop
(%)
Er
(m)
Erprop
(%)
Rangefinder 3,1 11,5 1,0 3,9 2,9 11,0
TLS Height 2,4 9,8 0,5 2,5 2,2 9,6
TLS Length 2,4 9,7 0,7 3,2 2,3 9,3
Todas árvores (n=55)
Metodologia
Erro total Erro sistemático Erro aleatório
Et
(m)
Etprop
(%)
Es
(m)
Esprop
(%)
Er
(m)
Erprop
(%)
Rangefinder 2,6 11,7 0,4 1,1 2,6 11,8
TLS Height 2,2 10,0 0,7 3,6 1,8 9,3
TLS Length 2,2 10,1 0,9 4,5 2,0 9,1
4.2. Validação das equações hipsométricas
As equações hipsométricas para estimativa de Ht a partir do DAP demonstraram
diferenças entre si e desempenho inferior às tecnologias analisadas neste estudo. O modelo de
Feldpausch et al. (2011) apresentou valores distantes da reta 1:1, o qual subestimou
substancialmente as Ht reais dos indivíduos, quando comparado com as tecnologias analisadas
e com a equação de Lima et al. (2012) (Fig. 9), apresentando elevado erro sistemático e erro
total (Tabela 5) e baixo coeficiente de inclinação (0,6). Ao contrário, a equação de Lima et al.
(2012) apresentou inclinação da reta mais próximo de 1, porém, com uma tendência em
subestimar árvores maiores de 20 m de altura e superestimar árvores menores de 20 m (Fig.
9). A precisão de ambos os modelos, no entanto, foi muito similar àquelas encontradas para os
instrumentos conforme valores do erro aleatório (Tabelas 4 e 5) e o desvio-padrão das
diferenças (Figura 10).
30
Figura 9- Gráficos da Ht observada (eixo x) vs. equações hipsométricas DAP: Ht (eixo y) para a
Amazônia central. Linhas sólidas representam os modelos lineares ajustados e as linhas tracejadas
representam as linhas 1: 1 (Y = X).
Tabela 5- Métricas de erro entre as estimativas de Ht advindas de equações hipsométricas DAP: Ht
ajustadas para a Amazônia central.
Metodologia
Erro total Erro sistemático Erro aleatório
Et
(m)
Etprop
(%)
Es
(m)
Esprop
(%)
Er
(m)
Erprop
(%)
Lima et al. 2012 2.9 13.5 -0.4 -0.3 2.9 13.7
Feldpausch et al. 2011 7.1 31.8 -6.4 -30.2 3.0 10.0
Figura 10- Desvio padrão das diferenças entre o Ht observado e o estimado com duas equações
hipsométricas DAP: Ht para a Amazônia Central.
31
5. DISCUSSÃO
Os resultados desse estudo mostram que as estimativas de DAP obtidas pelas
diferentes tecnologias foram muito próximas das medidas observadas, com alta precisão e
acurácia. O DAP é a variável mais coletada em estudos que analisam as características
estruturais da floresta (UNFCCC 2015). Isso se deve principalmente à sua facilidade de
obtenção, baixo custo de coleta e, o mais importante, sua alta correlação com diferentes
atributos estruturais, tais como volume e biomassa (Bastitella 2001; Paul et al. 2017).
Particularmente, as medidas de DAP com a suta eletrônica foram mais fáceis de serem
assimiladas pelo técnico e caracterizam-se por rápida coleta de dados de campo, tempo muito
similar às medidas realizadas com a fita diamétrica. Outros estudos, no entanto, registraram
subestimativas da suta perante à fita diamétrica em florestas temperadas (Behre 1926;
McArdle 1928; Binot et al. 1995) e tropicais (Clark et al. 2000). A fita diamétrica baseia-se
na medição do perímetro de um círculo e qualquer desvio da forma circular verdadeira
aumentará a razão circunferência/área de acordo com a magnitude do desvio da forma
circular. Por este motivo, as árvores de forma irregular, caso medidas com a fita, terão
diâmetros maiores do que seriam obtidas pela média de diâmetros com a suta (McArdle 1928;
Clark et al. 2000). A não circularidade dos troncos nas árvores analisadas neste estudo é
observada de forma mais pronunciada nos indivíduos no final do intervalo analisado,
resultado que corrobora com McArdle (1928), que mostrou que as diferenças entre medidas
de fita e medidas da suta aumentam com o tamanho das árvores.
As estimativas de DAP provenientes da nuvem de pontos seguiram a mesma
tendência da suta eletrônica para árvores próximas ao limite máximo de inclusão. Os métodos
disponíveis no 3D Forest, RHT e LSR, subestimaram o DAP devido em grande parte ao
encaixe do círculo no aglomerado de pontos não ser de forma ideal e ser realizada do lado
interno da nuvem de pontos. Outra fonte de erro para as estimativas do DAP está relacionada
ao efeito da oclusão do feixe do TLS pela vegetação presente na zona de escaneamento. A
oclusão pode influenciar na distribuição e na densidade de pontos no local de medida do
DAP, dificultando a formação ideal do tronco na nuvem de pontos e consequentemente
influenciando o ajuste correto do círculo na nuvem de pontos (Strahler et al. 2008; Lovell et
al. 2011; Yang et al. 2013; Calders et al. 2015a; Rahman et al. 2017). Tansey et al. (2009)
obtiveram RMSE de 2,3 e 1,9 cm utilizando TLS-RHT e TLS-LSR, respectivamente, em uma
floresta temperada com alta densidade de indivíduos (>1.000/ha). Hopkinson et al. (2004)
32
usando ajuste de um cilindro por mínimos quadrados (LSR) na nuvem de pontos em espécies
temperadas obtiveram um coeficiente de determinação de 0,85 e inclinação da reta de 1,08,
métricas ligeiramente diferentes do que encontrado neste estudo. Olofsson et al. (2014)
testando o algoritmo RANSAC para detecção e medidas de árvores na nuvem de pontos,
obtiveram diferentes magnitudes de RMSE de acordo com a distância do TLS para as árvores
de interesse. Árvores com distância de até 5 m e com distância de até 20 m do TLS, o erro
aleatório foi de 3,3 e 5,9 cm, respectivamente. Kato et al. (2014), utilizando da mesma técnica
de Tansey et al. (2009) para extração do DAP com um TLS de baixo custo, obtiveram RMSE
de 3,61 cm e R2= 0,81 para espécies tropicais. Em florestas de mangue no sudeste brasileiro,
Tavares et al. (2016) testando diferentes formas geométricas e número de leituras para
estimativa do DAP na nuvem de pontos, encontrou que a forma elíptica com 6 leituras da
mesma árvore, apresentou menores valores de RMSE do que o círculo e o spline. Em florestas
tropicais da Malásia, Rahman et al. (2015) demonstraram que a forma que melhor se ajustou
ao tronco foi o cilindro quando comparado com esfera e elipse, apresentando um erro
aleatório de 2,8 cm. No mesmo ambiente na Malásia, Prassada et al.. (2016) e Rahman et al..
(2017), obtiveram valores de RMSE diferentes utilizando o mesmo método de levantamento.
Enquanto o RMSE médio entre as parcelas de Prassada et al.. (2016) foi de 2,7 cm, Rahman
et al.. (2017) registrou um valor de 0,062 cm.
As estimativas de Ht obtidas por este estudo sugerem que as tecnologias avaliadas, que
possuem o laser como princípio de funcionamento, são promissoras de utilização para as
medidas de Ht em parcelas permanentes alocadas em áreas de florestas tropicais (Bragg
2007b; Hunter et al. 2013; Larjavaara e Muller-Landau 2013; Calders et al. 2015a). As
medidas do TLS apresentaram melhor ajuste quando comparadas com princípios de
trigonometria com o uso do LR, conforme mostrado também por Calders et al. (2015a). Os
valores da Ht medidos através da nuvem de pontos mostraram resultados mais próximos da
reta 1:1, enquanto que as medidas com o LR tenderam a superestimar as medidas reais.
Estudos que comparam as medidas de alturas reais com aquelas estimadas com o TLS são
mais comuns para florestas temperadas. Kankare et al. (2013) compararam as medidas de
altura da nuvem de pontos com medidas de árvores derrubadas, encontrando RMSE entre as
medidas de 1,5 m. Olofsson et al. (2014), testando as estimativas de Ht de acordo com
diferentes distâncias da árvore de interesse, 0-10 e 0-20 m, obtiveram erros totais (RMSE) de
4,3 e 4,9 m, respectivamente, com erro sistemático -0,1 m. Liu et al. (2017) testando um
método de escaneamento múltiplo sem o uso de alvos artificiais, encontrou valores de RMSE
33
variando de 2,5 a 5 m e um erro sistemático em subestimar de -3,22 a -7,90 m. Uma análise
mais minuciosa realizada em plantios de eucaliptos por Calders et al. (2015a), comparando as
medidas do TLS e do LR com medidas das alturas das mesmas árvores derrubadas após o
escaneamento, mostraram que as medidas a partir do TLS foram mais acuradas e o RMSE
para o TLS e para o LR foram de 0,55 e 1,28 m, respectivamente. Para as florestas tropicais,
no entanto, os estudos já realizados para avaliar as estimativas da Ht obtidas pelo TLS são
comparados principalmente com estimativas obtidas pelo LR com técnicas trigonométricas,
ou seja, não foram medidas as Ht reais com fita métrica, o que limitam comparações com este
estudo (Kato et al. 2014; Palace et al. 2016; Prasada et al. 2016; Rahman et al. 2017).
Diferentes autores (Marthews et al. 2014; Sullivan et al. 2018) sugerem o uso de
equações hipsométricas desenvolvidas em escala local para estimativas de Ht. No entanto, este
estudo mostrou que as tecnologias utilizadas obtiveram estimativas mais precisas e acuradas
do que as Ht estimadas através de duas equações alométricas ajustadas para a Amazônia
central. A equação de Feldpausch et al. (2011) foi ajustada com árvores de diferentes locais
da Amazônia central, diferentemente da equação proposta por Lima et al. (2012), para a qual
os dados foram provenientes de árvores do mesmo local deste estudo. Portanto, estes
resultados revelam a limitação do uso de equações hipsométricas desenvolvidas mesmo
dentro de escala local e, o mais importante, sugerem cautela no uso de tais equações ajustadas
em escala regional ou pantropical.
Os resultados desse estudo demonstram o potencial de ambas as tecnologias, conjunto
de dispositivos e TLS, na coleta de variáveis biométricas em ambiente de alta complexidade
estrutural. As principais diferenças técnicas entre as tecnologias estão ligadas a atributos
específicos de cada aparelho. Nos dispositivos interligados, os dados coletados com a suta
eletrônica e com o LR são gerenciados no próprio campo pelo software Field- Map®, sem a
necessidade de cálculos posteriores para a extração das variáveis DAP e Ht. Os dados após
coletados são extraídos em formas de planilhas digitais para posteriores análises de interesse
do usuário. Os dados brutos coletados em campo provenientes do escaneamento do TLS, por
outro lado, necessitam de uma série de passos para o processamento e análise. Tais passos
envolvem rotinas de programação e linguagem computacional de alto conhecimento técnico.
O treinamento de campo do LR foi orientado por uma pessoa com larga experiência com o
manuseio do equipamento e cerca de 4-5 horas foram necessárias para o técnico entender o
funcionamento dos equipamentos. A maior dificuldade encontrada pelo operador foi o tempo
gasto para encontrar um local suficientemente aberto para que haja uma boa visualização do
34
topo da árvore de interesse. As medidas com o TLS em campo também são relativa fácil
execução, porém exigem certa experiência com o equipamento, principalmente quando o
objetivo é determinar um novo posicionamento para o escaneamento.
O conjunto de dispositivos acoplados ao LR, incluindo o software que auxilia na coleta e
armazenagem dos dados, custa cerca de U$8.000,00. No entanto, os dispositivos que
compõem o conjunto funcionam independentemente. Para suta eletrônica e o LR utilizados
neste estudo, existem aplicativos para smartphones que armazenam automaticamente as
medidas sem a necessidade de um anotador em campo. Há também a possibilidade de se
utilizar uma suta comum com a mesma precisão deste estudo. O LR possui uma série de
modelos no mercado com configurações especificas para o uso florestal, com valores entre de
U$300,00 e U$ 1.700,00 (modelo utilizado neste estudo). No entanto, o modelo de TLS usado
neste estudo tem custo muito alto, aproximadamente £70-100 mil (Disney et al. 2018). O alto
custo destes aparelhos se deve em parte aos seus múltiplos usos nas áreas de mineração,
construção civil e arqueologia. Para o uso florestal, diferentes pesquisadores vêm
demonstrando o potencial de modelos de TLS com baixo custo para ser utilizado,
apresentando erros relativamente baixos (Kato et al. 2014; Kelbe et al. 2015).
Os dispositivos interligados representam uma realidade cada dia mais constante em
estudos ecológicos e florestais, inclusive para coleta de variáveis com protocolos já
consolidados como o DAP. Em razão de um investimento relativamente alto, para justificar a
aquisição de tais tecnologias duas questões devem ser levantadas. A primeira delas é se as
variáveis que estes instrumentos coletam são de fato necessárias. Apenas o DAP não
fundamentaria a aquisição, pois a medição do DAP com o uso de fita diamétrica é uma
atividade relativamente rápida e de baixo custo. No entanto, ao considerar a Ht ou outras
variáveis dendrométricas de difícil e dispendiosa coleta em campo, o uso de tecnologias é
atraente. Variáveis relacionadas à copa, não analisadas neste estudo, vêm sendo consideradas
de suma importância para estimativas de biomassa acima do solo (Ploton et al. 2016), fluxo
de energia no dossel (Wang et al. 2016) e competição de copas vizinhas (Trochta et al. 2017).
A segunda questão está relacionada com o quão precisas e acuradas são as medidas obtidas
por estes instrumentos. Este estudo demonstrou uma forte relação entre as medidas
observadas e estimadas com uso das tecnologias. Particularmente, as estimativas da Ht foram
mais precisas e acuradas do que aquelas estimativas obtidas com o uso de relações
hipsométricas. Considerando esse aspecto, fundamenta o uso de tecnologias.
35
6. CONCLUSÃO
Foi validado o desempenho satisfatório de duas metodologias, conjunto de
dispositivos eletrônicos interconectados e o TLS, para levantamento de variáveis biométricas
estruturais básicas da vegetação. O conjunto de dispositivos e o TLS apresentaram diferenças
sutis na estimativa das variáveis biométricas com as medidas consideradas como realidade de
campo. Para o DBH as estimativas realizadas com o conjunto de dispositivos apresentou
menor erro total e aleatório, entretanto, um maior erro sistemático devido principalmente a
uma ligeira subestimativa da suta eletrônica nas medidas, porém, as diferenças entre as
medidas tomadas com a fita diamétrica foram subestimadas em apenas 2,3%, apresentando
uma forte relação (R2= 0,99) entre as medidas. As estimativas geradas a partir da nuvem de
pontos com o 3D Forest apresentaram o maior RMSE e erro aleatório, devido a ter uma maior
diferença com as medidas tomadas com a fita diamétrica, o método RHT e LSR, obtiveram
erros totais (RMSE), 11,1 e 10,2 % em relação à fita, respectivamente, próximo ao limite de
erro aceito em inventários florestais, sem apresentar tendências em subestimativas ou
superestimativa às medidas com a fita.
Para a Ht os resultados obtidos com o LR não apresentaram viés nas medidas nas
diferentes classes analisadas, com um RMSE médio de 2,6 m e uma relação razoável (R2=
0,86) com as medidas com técnicas de escalada. Já as medidas extraídas da nuvem de pontos
com o 3D Forest tiveram medidas ligeiramente mais consistentes com as medidas tomadas de
forma direta com técnicas de escalada, com R2
de 0,86 e 0,87, para cada comando do
programa e com uma precisão maior que o LR (Tabela 4). Ambos as tecnologias testadas
tiveram resultados superiores do que equações alométricas DAP:Ht , regionais e locais, para
estimativa de altura. Sendo que as equações regionais apresentaram um alto RMSE, 7,1 m, e
um alto erro sistemático em subestimar as medidas reais, diferente da equação local que não
apresentou viés nas estimativas e valores de RMSE e precisão próxima a tecnologias testadas
neste estudo (Tabela 5).
7. REFERÊNCIAS BIBLIOGRAFICAS
Åkerblom, M.; Raumonen, P.; Mäkipää, R.; Kaasalainen, M. 2017. Automatic tree species
recognition with quantitative structure models. Remote Sensing of Environment, 191: 1–
12. Doi: 10.1016/j.rse.2016.12.002.
Almeida, D.R.A. de; Nelson, B.W.; Schietti, J.; Gorgens, E.B.; Resende, A.F.; Stark, S.C.;
Valbuena, R. 2016. Contrasting fire damage and fire susceptibility between seasonally
36
flooded forest and upland forest in the Central Amazon using portable profiling LiDAR.
Remote Sensing of Environment, 184: 153–160. Doi: 10.1016/j.rse.2016.06.017.
Anderson-Teixeira, K.J.; Davies, S.J.; Bennett, A.C.; Gonzalez-Akre, E.B.; Muller-Landau,
H.C.; Joseph Wright, S.; Abu Salim, K.; et al. 2015. CTFS-ForestGEO: A worldwide
network monitoring forests in an era of global change. Global Change Biology, 21 (2):
528–549. Doi: 10.1111/gcb.12712.
Araújo, A.C.; Nobre, A.D.; Kruijt, B.; Elbers, J.A.; Dallarosa, R.; Stefani, P.; Von Randow,
C.; Manzi, A.O.; Culf, A.D.; Gash, J.H.C.; Valentini, R.; Kabat, P. 2002. Comparative
measurements of carbon dioxide fluxes from two nearby towers in a central Amazonian
rainforest: The Manaus LBA site. Journal of Geophysical Research, 107: 1–20. Doi:
10.1029/2001JD000676.
Asner, G.P.; Mascaro, J. 2014. Mapping tropical forest carbon: Calibrating plot estimates to a
simple LiDAR metric. Remote Sensing of Environment, 140: 614–624. Doi:
10.1016/j.rse.2013.09.023.
Astrup, R.; Ducey, M.J.; Granhus, A.; Ritter, T.; von Lüpke, N. 2014. Approaches for
estimating stand-level volume using terrestrial laser scanning in a single-scan mode.
Canadian Journal of Forest Research, 44 (6): 666–676. Doi: 10.1139/cjfr-2013-0535.
Banin, L.; Feldpausch, T.R.; Phillips, O.L.; Baker, T.R.; Lloyd, J.; Affum-Baffoe, K.; Arets,
E.J.M.M.; Berry, N.J.; et al. 2012. What controls tropical forest architecture? Testing
environmental, structural and floristic drivers. Global Ecology and Biogeography, 21
(12): 1179–1190. Doi: 10.1111/j.1466-8238.2012.00778.x.
Bastitella, M. 2001. Landscape change and land-use/land-cover dynamics in Rondônia,
Brazilian Amazon. Indiana University, 257 p.
Behre, E.C. 1926. Comparison of diameter tape and caliper measurements in second-growth
spruce. Journal of forestry, 24 (2): 178–182.
Binot, J.M.; Pothier, D.; Lebel, J. 1995. Comparison of relative accuracy and time
requirement between the caliper, the diameter tape and an electronic tree measuring fork.
Forestry chronicle, 71 (2): 197–200.
Bosch, T. 2001. Laser ranging: a critical review of usual techniques for distance
measurement. Optical Engineering, 40 (1): 10. Doi: 10.1117/1.1330700.
Bragg, D.C. 2007a. An Improved Tree Height Measurement Technique Tested on Mature
Southern Pines. Southern Journal of Applied Forestry, 32 (1): 28–43.
Bragg, D.C. 2007b. The sine method as a more accurate height predictor for hardwoods.
Proceedings of the15th Central Hardwood Forest Conference. e-GTR-SRS-101 (1): 23–
32.
Bragg, D.C.; Frelich, L.E.; Leverett, R.T.; Blozan, W.; Luthringer, D.J. 2011. The Sine
Method : An Alternative Height Measurement Technique. Forest Service: 1–11.
Burt, A.P. 2017. New 3D measurements of forest structure. University College London, 278
p.
Calders, K.; Newnham, G.; Burt, A.; Murphy, S.; Raumonen, P.; Herold, M.; Culvenor, D.;
Avitabile, V.; Disney, M.; Armston, J.; Kaasalainen, M. 2015a. Nondestructive estimates
of above-ground biomass using terrestrial laser scanning. Methods in Ecology and
37
Evolution, 6 (2): 198–208. Doi: 10.1111/2041-210X.12301.
Calders, K.; Schenkels, T.; Bartholomeus, H.; Armston, J.; Verbesselt, J.; Herold, M. 2015b.
Monitoring spring phenology with high temporal resolution terrestrial LiDAR
measurements. Agricultural and Forest Meteorology, 203 (January): 158–168. Doi:
10.1016/j.agrformet.2015.01.009.
Calders, K.; Disney, M.I.; Armston, J.; Burt, A.; Brede, B.; Origo, N.; Muir, J.; Nightingale, J.
2017. Evaluation of the Range Accuracy and the Radiometric Calibration of Multiple
Terrestrial Laser Scanning Instruments for Data Interoperability. IEEE Transactions on
Geoscience and Remote Sensing, 55 (5): 2716–2724. Doi: 10.1109/TGRS.2017.2652721.
Carneiro, V.M.C.; Higuchi, N.; Santos, J. Dos; Pinto, A.C.M.; Teixeira, L.M.; Lima, A.J.N.;
Da Silva, R.P.; De, R.; Rocha, M. 2005. Composição Florística e Análise Estrutural da
Floresta de Terra Firme na Região de Manaus, Estado do Amazonas, Brasil. June. In:
Rui Silva e Fernando Páscoa (ed.), Livro de Resumos Das Comunicações Apresentadas
Ao 5° Congresso Florestal Nacional A Floresta E as Gentes, Viseu/PT, p. 1–12.
Chave, J.; Réjou-Méchain, M.; Búrquez, A.; Chidumayo, E.; Colgan, M.S.; Delitti, W.B.C.;
Duque, A.; et al. 2014. Improved allometric models to estimate the aboveground
biomass of tropical trees. Global Change Biology, 20 (10): 3177–3190. Doi:
10.1111/gcb.12629.
Chave, J.; Condit, R.; Aguilar, S.; Hernandez, A.; Lao, S.; Perez, R. 2004. Error propagation
and scaling for tropical forest biomass estimates. Philosophical Transactions of the
Royal Society B: Biological Sciences, 359 (1443): 409–420. Doi:
10.1098/rstb.2003.1425.
Chernov, N.; Lesort, C. 2005. Least squares fitting of circles. Journal of Mathematical
Imaging and Vision, 23 (3): 239–252. Doi: 10.1007/s10851-005-0482-8.
Clark, D..; Clark, D.A. 2000. Landscape-scale variation in forest structure and biomass in a
tropical rain forest. Forest Ecology and Management, 137 (1–3): 185–198. Doi:
10.1016/S0378-1127(99)00327-8.
Clark, D. a; Brown, S.; Kicklighter, D.W.; Chambers, J.Q.; Thomlinson, J.R.; Ni, J. 2001.
Measuring net primary production in forest concepts and field methods. Ecological
Applications, 11 (2): 356–370. Doi: 10.1890/1051-
0761(2001)011[0356:MNPPIF]2.0.CO;2.
Clark, N.; Wynne, R.; Schmoldt, D. 2000. A review of past research on dendrometers. Forest
Science, 46 (4): 570–576.
Condit, R. 1998. Tropical Forest Census Plots. Springer Berlin Heidelberg, Berlin,
Heidelberg, 211 p.
Dassot, M.; Constant, T.; Fournier, M. 2011. The use of terrestrial LiDAR technology in
forest science: application fields, benefits and challenges. Annals of Forest Science, 68
(5): 959–974. Doi: 10.1007/s13595-011-0102-2.
Disney, M.I.; Boni Vicari, M.; Calders, K.; Burt, A.; Lewis, S.L.; Raumonen, P.; Wilkes, P.
2018. Weighing trees with lasers: advances, challenges and opportunities. Royal Society
Interface. Doi: 10.1098/rsfs.2017.0048.
Feldpausch, T.R.; Banin, L.; Phillips, O.L.; Baker, T.R.; Lewis, S.L.; Quesada, C.A.; Affum-
Baffoe, K.; Arets, E.J.M.M.; Berry, N.J.; Bird, M.; Brondizio, E.S.; De Camargo, P.;
38
Chave, J.; Djagbletey, G.; Domingues, T.F.; Drescher, M.; Fearnside, P.M.; França,
M.B.; Fyllas, N.M.; et al. 2011a. Height-diameter allometry of tropical forest trees.
Biogeosciences, 8 (5): 1081–1106. Doi: 10.5194/bg-8-1081-2011.
Feldpausch, T.R.; Banin, L.; Phillips, O.L.; Baker, T.R.; Lewis, S.L.; Quesada, C.A.; Affum-
Baffoe, K.; et al. 2011b. Height-diameter allometry of tropical forest trees(Supplemental
Information). Biogeosciences, 8 (5): 1081–1106. Doi: 10.5194/bg-8-1081-2011.
Fournier, R.; Côté, J.-F.; Bourge, F.; Durrieu, S.; Piboule A; Beland, M. 2015. A method
addressing signal occlusion by scene objects to quantify the 3D distribution of forest
components from terrestrial lidar. SilviLaser (SEPTEMBER): 29–31. Doi: hal-
01278661.
Hédl, R.; Svátek, M.; Dančák, M.; Rodzay, A.W.; Salleh A.B., M.; Kamariah, A.S. 2009. A
new technique for inventory of permanent plots in tropical forests: A case study from
lowland dipterocarp forest in Kuala Belalong, Brunei darussalam. Blumea: Journal of
Plant Taxonomy and Plant Geography, 54 (1–3): 124–130. Doi:
10.3767/000651909X475482.
Henning, J.G.; Radtke, P.J. 2006. Detailed Stem Measurements of Standing Trees from
Ground-Based Scanning Lidar. Forest Science, 52 (14): 67–80.
Hofhansl, F.; Andersen, K.M.; Fleischer, K.; Fuchslueger, L.; Rammig, A.; Schaap, K.J.;
Valverde-Barrantes, O.J.; Lapola, D.M. 2016. Amazon Forest Ecosystem Responses to
Elevated Atmospheric CO2 and Alterations in Nutrient Availability: Filling the Gaps
with Model-Experiment Integration. Frontiers in Earth Science, 4 (February): 1–9. Doi:
10.3389/feart.2016.00019.
Hopkinson, C.; Chasmer, L.; Young-Pow, C.; Treitz, P. 2004. Assessing forest metrics with a
ground-based scanning lidar. Canadian Journal of Forest Research, 34 (3): 573–583.
Doi: 10.1139/x03-225.
Hosoi, F.; Omasa, K. 2006. Voxel-Based 3-D Modeling of Individual Trees for Estimating
Leaf Area Density Using High-Resolution Portable Scanning Lidar. IEEE Transactions
on Geoscience and Remote Sensing, 44 (12): 3610–3618. Doi:
10.1109/TGRS.2006.881743.
Hunter, M.O.; Keller, M.; Victoria, D.; Morton, D.C. 2013. Tree height and tropical forest
biomass estimation. Biogeosciences, 10 (12): 8385–8399. Doi: 10.5194/bg-10-8385-
2013.
Kalliovirta, J.; Laasasenaho, J.; Kangas, A. 2005. Evaluation of the Laser-relascope. Forest
Ecology and Management, 204 (2–3): 181–194. Doi: 10.1016/j.foreco.2004.09.020.
Kankare, V.; Holopainen, M.; Vastaranta, M.; Puttonen, E.; Yu, X.; Hyyppä, J.; Vaaja, M.;
Hyyppä, H.; Alho, P. 2013. Individual tree biomass estimation using terrestrial laser
scanning. ISPRS Journal of Photogrammetry and Remote Sensing, 75: 64–75. Doi:
10.1016/j.isprsjprs.2012.10.003.
Kato, A.; Kajiwara, K.; Honda, Y.; Watanabe, M.; Enoki, T.; Yamaguchi, Y.; Kobayashi, T.
2014. Efficient field data collection of tropical forest using terrestrial laser scanner. 2014
IEEE Geoscience and Remote Sensing Symposium: 816–819. Doi:
10.1109/IGARSS.2014.6946549.
Kelbe, D.; Van Aardt, J.; Romanczyk, P.; Van Leeuwen, M.; Cawse-Nicholson, K. 2015.
39
Single-scan stem reconstruction using low-resolution terrestrial laser scanner data. IEEE
Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8 (7):
3414–3427. Doi: 10.1109/JSTARS.2015.2416001.
Krooks, A.; Kaasalainen, S.; Kankare, V.; Joensuu, M.; Raumonen, P.; Kaasalainen, M. 2014.
Tree structure vs. height from terrestrial laser scanning and quantitative structure models.
Silva Fennica, 48 (2): 1–11. Doi: 10.14214/sf.1125.
Lapola, D.M.; Norby, R.J. 2014. Assessing the effects of increased atmospheric CO2 on the
ecology and resilience of the Amazon forest. SCIENCE PLAN & IMPLEMENTATION
STRATEGY. In: Lapola, D.M.; Norby, R.J. (eds.) 1a ed. Ministério de Ciência,
Tecnologia e Inovação (MCTI), Brasília, 51 p.
Larjavaara, M.; Muller-Landau, H.C. 2013. Measuring tree height: a quantitative comparison
of two common field methods in a moist tropical forest. Methods in Ecology and
Evolution, 4 (9): 793–801. Doi: 10.1111/2041-210X.12071.
Laser Technology Inc. 2009. User’s manual TruPulse 360/360R. , 2 ed: 57.
Ledo, A.; Cornulier, T.; Illian, J.B.; Iida, Y.; Kassim, A.R.; Burslem, D.F.R.P. 2016. Re-
evaluation of individual diameter : height allometric models to improve biomass
estimation of tropical trees. Ecological Applications, 26 (8): 2376–2382. Doi:
10.1002/eap.1450.
van Leeuwen, M.; Disney, M. 2018. Vegetation Structure (LiDAR). In: Comprehensive
Remote Sensing, Elsevier, London, p. 104–116.
Lemmens, M. 2011. Terrestrial Laser Scanning. In: Lemmens, M. (ed.), Geo-Information, 1
ed.Springer Netherlands, Dordrecht, p. 101–121.
Liang, X.; Kankare, V.; Hyyppä, J.; Wang, Y.; Kukko, A.; Haggrén, H.; Yu, X.; Kaartinen,
H.; Jaakkola, A.; Guan, F.; Holopainen, M.; Vastaranta, M. 2016. Terrestrial laser
scanning in forest inventories. ISPRS Journal of Photogrammetry and Remote Sensing,
115: 63–77. Doi: 10.1016/j.isprsjprs.2016.01.006.
Lima, A.J.N.; Suwa, R.; de Mello Ribeiro, G.H.P.; Kajimoto, T.; dos Santos, J.; da Silva,
R.P.; de Souza, C.A.S.; de Barros, P.C.; Noguchi, H.; Ishizuka, M.; Higuchi, N. 2012.
Allometric models for estimating above- and below-ground biomass in Amazonian
forests at São Gabriel da Cachoeira in the upper Rio Negro, Brazil. Forest Ecology and
Management, 277: 163–172. Doi: 10.1016/j.foreco.2012.04.028.
Liu, J.; Liang, X.; Hyyppä, J.; Yu, X.; Lehtomäki, M.; Pyörälä, J.; Zhu, L.; Wang, Y.; Chen,
R. 2017. Automated matching of multiple terrestrial laser scans for stem mapping
without the use of artificial references. International Journal of Applied Earth
Observation and Geoinformation, 56: 13–23. Doi: 10.1016/j.jag.2016.11.003.
Lovell, J.L.; Jupp, D.L.B.; Culvenor, D.S.; Coops, N.C. 2003. Using airborne and ground-
based ranging lidar to measure canopy structure in Australian forests. Canadian Journal
of Remote Sensing, 29 (5): 607–622. Doi: 10.5589/m03-026.
Lovell, J.L.; Jupp, D.L.B.; Newnham, G.J.; Culvenor, D.S. 2011. Measuring tree stem
diameters using intensity profiles from ground-based scanning lidar from a fixed
viewpoint. ISPRS Journal of Photogrammetry and Remote Sensing, 66 (1): 46–55. Doi:
10.1016/j.isprsjprs.2010.08.006.
Luizão, R.C.C.; Luizão, F.J.; Paiva, R.Q.; Monteiro, T.F.; Sousa, L.S.; Kruijt, B. 2004.
40
Variation of carbon and nitrogen cycling processes along a topographic gradient in a
central Amazonian forest. Global Change Biology, 10 (5): 592–600. Doi:
10.1111/j.1529-8817.2003.00757.x.
Marthews, T.; Riutta, T.; Oliveras Menor, I.; Urrutia, R.; Moore, S.; Metcalfe, D.; Malhi, Y.;
Phillips, O.L.; Huasco, W.; Ruiz Jaén, M.; Girardin, C.; Butt, N.; Cain, R. 2014.
Measuring Tropical Forest Carbon Allocation and Cycling: A RAINFOR-GEM Field
Manual for Intensive Census Plots (v3.0). Global Ecosystems Monitoring network.: 104.
McArdle, R.E. 1928. Relative accuracy of calipers and diameter tape in measuring Douglas fir
trees. Journal of Forestry, 26 (3): 338–342.
Momo, S.T.; Ploton, P.; Sonké, B.; Hackenberg, J.; Griffon, S.; de Coligny, F.; Kamdem,
N.G.; Libalah, M.; Mofack, G.I.; Moguédec, G. Le; Pélissier, R.; Barbier, N. 2017.
Using terrestrial laser scanning data to estimate large tropical trees biomass and calibrate
allometric models: A comparison with traditional destructive approach. Methods in
Ecology and Evolution, 12 (10): 3218–3221. Doi: 10.1111/2041-210X.12933.
Newnham, G.J.; Armston, J.D.; Calders, K.; Disney, M.I.; Lovell, J.L.; Schaaf, C.B.; Strahler,
A.H.; Danson, F.M. 2015. Terrestrial Laser Scanning for Plot-Scale Forest
Measurement. Current Forestry Reports, 1 (4): 239–251. Doi: 10.1007/s40725-015-
0025-5.
Nogueira, E.M.; Nelson, B.W.; Fearnside, P.M.; França, M.B.; Oliveira, Á.C.A. de. 2008.
Tree height in Brazil’s “arc of deforestation”: Shorter trees in south and southwest
Amazonia imply lower biomass. Forest Ecology and Management, 255 (7): 2963–2972.
Doi: 10.1016/j.foreco.2008.02.002.
Olagoke, A.; Proisy, C.; Féret, J.B.; Blanchard, E.; Fromard, F.; Mehlig, U.; de Menezes,
M.M.; dos Santos, V.F.; Berger, U. 2016. Extended biomass allometric equations for
large mangrove trees from terrestrial LiDAR data. Trees - Structure and Function, 30
(3): 935–947. Doi: 10.1007/s00468-015-1334-9.
Olofsson, K.; Holmgren, J.; Olsson, H. 2014. Tree stem and height measurements using
terrestrial laser scanning and the RANSAC algorithm. Remote Sensing, 6 (5): 4323–
4344. Doi: 10.3390/rs6054323.
Palace, M.; Sullivan, F.B.; Ducey, M.; Herrick, C. 2016. Estimating Tropical Forest Structure
Using a Terrestrial Lidar. PLoS ONE, 11 (4): 1–19. Doi: 10.1371/journal.pone.0154115.
Pan, Y.; Birdsey, R.A.; Fang, J.; Houghton, R.; Kauppi, P.E.; Kurz, W.A.; Phillips, O.L.;
Shvidenko, A.; Lewis, S.L.; Canadell, J.G.; Ciais, P.; Jackson, R.B.; Pacala, S.W.;
McGuire, A.D.; Piao, S.; Rautiainen, A.; Sitch, S.; Hayes, D. 2011. A large and
persistent carbon sink in the world’s forests. Science, 333 (6045): 988–993. Doi:
10.1126/science.1201609.
Paul, K.I.; Larmour, J.S.; Roxburgh, S.H.; England, J.R.; Davies, M.J.; Luck, H.D. 2017.
Measurements of stem diameter: implications for individual- and stand-level errors.
Environmental Monitoring and Assessment, 189 (8). Doi: 10.1007/s10661-017-6109-x.
Peel, M.C.; Finlayson, B.L.; McMahon, T.A. 2007. Updated world map of the Köppen-Geiger
climate classification. Hydrology and Earth System Sciences Discussions, 4 (2): 439–
473. Doi: 10.5194/hessd-4-439-2007.
Phillips, O.; Baker, T.; Feldpausch, T.; Brienen, R. 2016. Field manual for establishment and
41
remeasurement (RAINFOR).
(http://www.rainfor.org/upload/ManualsEnglish/RAINFOR_field_manual_version_2016
.pdf). Acessed on 05/02/2018.
Phillips, O.L.; Baker, T.R.; Arroyo, L.; Higuchi, N.; Killeen, T.J.; Laurance, W.F.; Lewis,
S.L.; Lloyd, J.; Malhi, Y.; et al. 2004. Pattern and process in Amazon tree turnover,
1976-2001. Philosophical Transactions of the Royal Society B: Biological Sciences, 359
(1443): 381–407. Doi: 10.1098/rstb.2003.1438.
Ploton, P.; Barbier, N.; Momo, S.T.; Rejou-Mechain, M.; Boyemba Bosela, F.; Chuyong, G.;
Dauby, G.; et al. 2016. Closing a gap in tropical forest biomass estimation: Taking
crown mass variation into account in pantropical allometries. Biogeosciences, 13 (5):
1571–1585. Doi: 10.5194/bg-13-1571-2016.
Prasada, O.P.; Hussin, Y.A.; Weir, M.J.C.; Karna, Y.K. 2016. Derivation of forest inventory
parameters for carbon estimation using terrestrial LiDAR. International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives,
41 (July): 677–684. Doi: 10.5194/isprsarchives-XLI-B8-677-2016.
Rahman, M.Z..; Bakar, M.A.A.; Razak, K.A.; Rasib, A.W.; Kanniah, K.D.; Kadir, W.H.W.;
Omar, H.; Faidi, A.; Kassim, A.R.; Latif, Z.A. 2017. Non-Destructive, Laser-Based
Individual Tree Aboveground Biomass Estimation in a Tropical Rainforest. Forests, 8
(3): 86. Doi: 10.3390/f8030086.
Rahman, M.Z..; Majid, Z.; Bakar, M.A.A.; Kadir, W.H.W. 2015. Individual tree measurement
in tropical environment using terrestrial laser scanning. Jurnal Teknologi, 73 (5): 127–
133. Doi: 10.11113/jt.v73.4329.
Raumonen, P.; Casella, E.; Calders, K.; Murphy, S.; Åkerbloma, M.; Kaasalainen, M. 2015.
MASSIVE-SCALE TREE MODELLING FROM TLS DATA. ISPRS Annals of
Photogrammetry, Remote Sensing and Spatial Information Sciences, II-3/W4 (March):
189–196. Doi: 10.5194/isprsannals-II-3-W4-189-2015.
Riegl Laser Measurement Systems. 2014. Riegl Vz-400 Features and Components. : 1–6.
Rusu, R.B.; Cousins, S. 2011. 3D is here: Point Cloud Library (PCL). 2011 IEEE
International Conference on Robotics and Automation: 1–4. Doi:
10.1109/ICRA.2011.5980567.
Siliprandi, N.C.; Nogueira, E.M.; Toledo, J.J.; Fearnside, P.M.; Nascimento, H.E.M. 2016.
Inter-site variation in allometry and wood density of Goupia glabra Aubl. in Amazonia.
Brazilian Journal of Biology, 76 (1): 268–276. Doi: 10.1590/1519-6984.22514.
Stark, S.C.; Leitold, V.; Wu, J.L.; Hunter, M.O.; de Castilho, C. V.; Costa, F.R.C.; McMahon,
S.M.; Parker, G.G.; et al. 2012. Amazon forest carbon dynamics predicted by profiles of
canopy leaf area and light environment. Ecology Letters, 15 (12): 1406–1414. Doi:
10.1111/j.1461-0248.2012.01864.x.
Strahler, A.H.; Jupp, D.L..; Woodcock, C.E.; Schaaf, C.B.; Yao, T.; Zhao, F.; Yang, X.;
Lovell, J.; Culvenor, D.; Newnham, G.; Ni-Miester, W.; Boykin-Morris, W. 2008.
Retrieval of forest structural parameters using a ground-based lidar instrument (Echidna
® ). Canadian Journal of Remote Sensing, 34 (sup2): S426–S440. Doi: 10.5589/m08-
046.
Sullivan, M.J.P.; Lewis, S.L.; Hubau, W.; Qie, L.; Baker, T.R.; Banin, L.F.; Chave, J.; Cuni-
42
Sanchez, A.; Feldpausch, T.R.; Lopez-Gonzalez, G.; Arets, E.; Ashton, P.; Bastin, J.-F.;
Berry, N.J.; et al. 2018. Field methods for sampling tree height for tropical forest
biomass estimation. Methods in Ecology and Evolution, 2018 (August 2017): 1–11. Doi:
10.1111/2041-210X.12962.
Tanago, J.G. de; Lau, A.; Bartholomeusm, H.; Herold, M.; Avitabile, V.; Raumonen, P.;
Martius, C.; Goodman, R.; Disney, M.; Manuri, S.; Burt, A.; Calders, K. 2017.
Estimation of above-ground biomass of large tropical trees with Terrestrial LiDAR.
Methods in Ecology and Evolution, 2017 (July): 1–12. Doi: 10.1111/2041-210X.12904.
Tansey, K.; Selmes, N.; Anstee, A.; Tate, N.J.; Denniss, A. 2009. Estimating tree and stand
variables in a Corsican Pine woodland from terrestrial laser scanner data. International
Journal of Remote Sensing, 30 (19): 5195–5209. Doi: 10.1080/01431160902882587.
Tavares, G.G.; Sabino, T.L.R.; Fonseca, L.G. da. 2016. Métodos computacionais para
aproximação do diâmetro à altura do peito de árvores de regiões de mangue via
escaneamento tridimensional a laser. Revista Interdisciplinar de Pesquisa em
Engenharia, 2 (10).
TEAM, N. 2010. Vegetation Monitoring Protocol Implementation Manual. In: Applied
Biodiversity Science (ed.) Tropical E ed. Conservation International, Arlington, VA,
USA., 1-90 p.
Trochta, J.; Krůček, M.; Vrška, T.; Král, K. 2017. 3D Forest: An application for descriptions
of three-dimensional forest structures using terrestrial LiDAR. PLOS ONE, 12 (5):
e0176871. Doi: 10.1371/journal.pone.0176871.
UNFCCC. 2015. Measurements for Estimation of Carbon Stocks in Afforestation and
Reforestation Project Activities under the Clean Development Mechanism: A Field
Manual. Bonn, Germany, 72 p.
Vieira, S.; de Camargo, P.B.; Selhorst, D.; da Silva, R.; Hutyra, L.; Chambers, J.Q.; Brown,
I.F.; Higuchi, N.; dos Santos, J.; Wofsy, S.C.; Trumbore, S.E.; Martinelli, L.A. 2004.
Forest structure and carbon dynamics in Amazonian tropical rain forests. Oecologia, 140
(3): 468–479. Doi: 10.1007/s00442-004-1598-z.
Walther, B.A.; Moore, J.L. 2005. The concepts of bias, precision and accuracy, and their use
in testing the performance of species richness estimators, with a literature review of
estimator performance. Ecography, 28 (6): 815–829. Doi: 10.1111/j.2005.0906-
7590.04112.x.
Wang, N.; Shen, Y.; Hua, J.; Wang, H.; Kang, M.; Su, X. 2016. Analyzing the canopy light
distribution among different poplar genotypes using terrestrial laser scanner and the
GreenLab model. 2016 IEEE International Conference on Functional-Structural Plant
Growth Modeling, Simulation, Visualization and Applications (FSPMA): 214–223. Doi:
10.1109/FSPMA.2016.7818309.
West, M.J. 1999. Stereological methods for estimating the total number of neurons and
synapses: Issues of precision and bias. Trends in Neurosciences, 22 (2): 51–61. Doi:
10.1016/S0166-2236(98)01362-9.
Wilkes, P.; Lau, A.; Disney, M.; Calders, K.; Burt, A.; Gonzalez de Tanago, J.;
Bartholomeus, H.; Brede, B.; Herold, M. 2017. Data acquisition considerations for
Terrestrial Laser Scanning of forest plots. Remote Sensing of Environment, 196: 140–
153. Doi: 10.1016/j.rse.2017.04.030.
43
Yang, X.; Strahler, A.H.; Schaaf, C.B.; Jupp, D.L.B.; Yao, T.; Zhao, F.; Wang, Z.; Culvenor,
D.S.; Newnham, G.J.; Lovell, J.L.; Dubayah, R.O.; Woodcock, C.E.; Ni-Meister, W.
2013. Three-dimensional forest reconstruction and structural parameter retrievals using a
terrestrial full-waveform lidar instrument (Echidna®). Remote Sensing of Environment,
135 (August 2013): 36–51. Doi: 10.1016/j.rse.2013.03.020.
Yao, T.; Yang, X.; Zhao, F.; Wang, Z.; Zhang, Q.; Jupp, D.; Lovell, J.; Culvenor, D.;
Newnham, G.; Ni-Meister, W.; Schaaf, C.; Woodcock, C.; Wang, J.; Li, X.; Strahler, A.
2011. Measuring forest structure and biomass in New England forest stands using
Echidna ground-based lidar. Remote Sensing of Environment, 115 (11): 2965–2974. Doi:
10.1016/j.rse.2010.03.019.
