Beyond the Breast Height: Leveraging Stump Diameter as a Robust Predictor of Biomass and Carbon Stocks in Tropical Acacia Plantations

Resumo Técnico: Além da Altura do Peito – Utilizando o Diâmetro do Cepo como um Preditores Robusto de Biomassa e Estoques de Carbono em Plantações Tropicais de Acacia

Problema
A estimativa precisa da biomassa arbórea é fundamental para o manejo de florestas tropicais, mitigação das mudanças climáticas e monitoramento de REDD+. Inventários convencionais dependem fortemente do Diâmetro à Altura do Peito (DAP). No entanto, a medição do DAP é frequentemente impraticável ou impossível em contextos específicos, como em povoamentos densos com sub-bosque obstruído, árvores com troncos estribados ou, mais criticamente, em cenários pós-colheita onde as árvores foram derrubadas. Nessas situações, o diâmetro do cepo (medido a 30 cm acima do solo) é frequentemente a única métrica disponível. Apesar do seu potencial utilidade, o diâmetro do cepo tem sido pouco estudado como um preditor sistemático para biomassa na silvicultura de plantações tropicais, particularmente para espécies de Acacia, levando a uma dependência de modelos baseados em DAP que não podem ser aplicados no monitoramento pós-colheita.

Metodologia
O estudo foi conduzido em dez locais de plantio na Divisão de Sylhet, Bangladesh, focando em três táxons: Acacia auriculiformis, Acacia mangium e seu híbrido (A. auriculiformis × A. mangium).

• Amostragem: Foi empregado um delineamento de amostragem aleatória estratificada, selecionando 1.050 árvores (350 por espécie) para cobrir uma ampla gama de classes de tamanho.
• Amostragem Destrutiva: Para calibrar as equações de biomassa, 75 árvores (25 por espécie) foram submetidas à amostragem destrutiva. Estas árvores foram derrubadas, seccionadas, secas em estufa a 105°C até massa constante e pesadas para determinar a biomassa precisa do caule.
• Medições: Para todas as árvores amostradas, o diâmetro do cepo ($d_{st}$ a 30 cm), o DAP (a 1,3 m), a altura total e a altura do caule foram registrados.
• Abordagens de Modelagem: Os pesquisadores avaliaram quatorze modelos, incluindo:
  • Modelos de Regressão: Regressões lineares, log-log (ln–ln) e polinomiais relacionando o diâmetro do cepo ao DAP e à biomassa do caule.
  • Modelos de Efeitos Mistos: Utilizados para considerar variações aleatórias entre espécies e locais.
  • Aprendizado de Máquina (Machine Learning): Algoritmos de Random Forest e Gradient Boosting foram implementados para capturar relações não lineares e interações.
• Validação: Foi utilizada uma estratégia de validação rigorosa de dois níveis: (1) validação independente usando um conjunto de dados de 975 árvores não utilizadas na calibração, e (2) validação cruzada de cinco dobras (five-fold cross-validation) estratificada por espécie. O desempenho foi avaliado por meio de $R^2$ ajustado, RMSE, AIC, estatísticas de Durbin-Watson e testes t pareados.
• Estimativa de Carbono: A biomassa do caule foi convertida em estoques de carbono usando fatores de conversão específicos por espécie (0,475 para A. auriculiformis, 0,480 para A. mangium e 0,485 para o híbrido de Acacia).

Principais Resultados

• Diâmetro do Cepo como Proxy: O diâmetro do cepo demonstrou uma correlação altamente estável e forte com o DAP em todos os três táxons. O modelo de regressão log-log (ln–ln) rendeu valores de $R^2$ ajustado superiores a 0,98, com baixo RMSE (0,048–0,074) e resíduos não enviesados.
• Predição de Biomassa: Modelos de biomassa baseados no diâmetro do cepo apresentaram desempenho comparável e, em alguns casos, superior aos modelos convencionais baseados em DAP. O modelo parcimonioso de ln–ln baseado no cepo alcançou valores de $R^2$ ajustado entre 0,945 e 0,968.
• Desempenho dos Modelos:
  • Modelos de Efeitos Mistos: Estes reduziram significativamente o viés, particularmente para a Acacia híbrida, melhorando a generalização entre os locais.
  • Aprendizado de Máquina: O Random Forest identificou consistentemente o diâmetro do cepo como o preditor mais importante da biomassa do caule. Em contraste, o Gradient Boosting mostrou sinais de sobreajuste (overfitting), apesar da alta precisão aparente, destacando a necessidade de cautela ao aplicar algoritmos complexos na silvicultura.
• Validação: A validação independente e a validação cruzada confirmaram que as predições baseadas no cepo foram não enviesadas (p > 0,05) com intervalos de confiança estreitos e baixos erros padrão de estimativa.
• Estoques de Carbono: As estimativas específicas por espécie indicaram que a Acacia Híbrida foi a mais produtiva em termos de estoque de carbono, seguida pela A. mangium e A. auriculiformis.

Significância e Alegações
Os autores afirmam que este estudo fornece uma ferramenta prática e escalável para a avaliação rápida de biomassa e contabilidade de carbono, abordando especificamente a lacuna no monitoramento pós-colheita onde o DAP não está disponível. Ao validar o diâmetro do cepo como um substituto robusto para o DAP, a pesquisa oferece um método para reconstruir a biomassa do povoamento e os estoques de carbono após a colheita, o que é crítico para o Monitoramento, Relato e Verificação (MRV) sob as estruturas REDD+ e IPCC Tier 2/3.

O estudo afirma que seus achados apoiam os objetivos globais de clima e biodiversidade, especificamente o ODS 13 (Ação Contra a Mudança Global do Clima) e o ODS 15 (Vida Terrestre), ao permitir o monitoramento eficaz dos estoques de carbono em plantações tropicais. A integração da amostragem destrutiva com abordagens estatísticas avançadas e de aprendizado de máquina estabelece um framework metodológico que permite uma contabilidade de carbono precisa, eficiente e específica por espécie em diversas condições de campo, incluindo povoamentos densos e áreas colhidas. Os autores enfatizam que, embora os modelos baseados no cepo sejam robustos, o uso de estruturas de efeitos mistos e a seleção cuidadosa de algoritmos de aprendizado de máquina (favorecendo o Random Forest em detrimento do Gradient Boosting neste contexto) são essenciais para minimizar o viés e o sobreajuste.