Terrestrial LiDAR Predicts Dry Fuel Weight in Pine Savannas

Resumo Técnico: O LiDAR Terrestre Prediz o Peso de Combustível Seco em Savanas de Pinhais

Definição do Problema
A quantificação precisa de combustíveis superficiais e subsuperficiais é essencial para prever o comportamento do fogo, o consumo de carbono e os impactos ecológicos em ecossistemas adaptados ao fogo. No entanto, os métodos convencionais, como o "cortar e pesar" (clip-and-weigh) e a estimativa ocular, são trabalhosos, propensos ao viés do observador e frequentemente falham em capturar a heterogeneidade da camada de combustível em escala fina. Em savanas de pinhais tropicais, como as de Belize, o manejo frequentemente baseia-se no "Tempo Desde o Último Fogo" (TSF, do inglês Time-Since-Fire) como um indicador da carga de combustível. Essa abordagem é insuficiente porque não considera o acúmulo de biomassa rápido e não linear característico desses sistemas de alta produtividade. Há uma necessidade crítica de métodos eficientes, de alta resolução e não destrutivos para medir a dinâmica de combustíveis nesses ambientes, a fim de apoiar melhores modelos de fogo, contabilidade de carbono e gestão de habitat para espécies como o papagaio-de-cabeça-amarela, que é ameaçado de extinção.

Metodologia
O estudo foi conduzido durante a estação seca de 2024 em 27 locais nos parques nacionais Payne's Creek e Deep River Forest Reserve, no sul de Belize. O desenho da pesquisa combinou amostragem destrutiva com Varredura a Laser Terrestre (TLS) para validar o poder preditivo das métricas de TLS.

• Coleta de Dados: Os pesquisadores estabeleceram 27 parcelas abrangendo gradientes de tipo de combustível (gramíneas, palmeiras, arbustos, pinhais e misturas) e TSF (variando de 6 meses a 4 anos). Dentro de cada parcela, foram estabelecidas três subparcelas de corte destrutivo de 1m³ (81 no total), onde a vegetação queimável foi cortada, secada em estufa e pesada para determinar a massa seca consumível (kg m⁻³).
• Aquisição de TLS: Nuvens de pontos de TLS de ponto único foram coletadas usando um scanner Leica BLK360 Gen 1. O protocolo seguiu configurações padronizadas de varredura única para minimizar a oclusão e maximizar a cobertura das áreas das parcelas de corte.
• Derivação de Métricas: Os dados processados geraram métricas baseadas em voxels, incluindo volume de voxel ocupado, densidade de área de planta por estrato de altura, índices de fração de lacuna/abertura, volume de folha/madeira do dossel e estatísticas de dispersão vertical (especificamente a altura mediana do voxel do subbosque de 1 m).
• Análise Estatística: Modelos Aditivos Generalizados (GAMs) foram empregados para modelar a massa seca média da parcela. A análise comparou modelos de variável única contra um modelo completo incorporando tipo de combustível, TSF, volume do dossel, altura do voxel do subbosque e um índice local de abertura lateral. O desempenho do modelo foi avaliado por meio de R² ajustado, desvio explicado e validação cruzada k-fold.

Principais Resultados
O estudo demonstrou que as métricas estruturais derivadas de TLS superam significativamente os indicadores tradicionais, como o TSF ou o tipo de combustível categórico isoladamente.

• Desempenho do Modelo: O melhor Modelo Aditivo Generalizado alcançou um R² de 0,86 e explicou 91% do desvio da massa de combustível seca.
• Importância dos Preditores:
  • Abertura Lateral: O índice de abertura lateral local (percentual de zeros na coluna vertical de 0–0,5 m próximo ao scanner) mostrou a mais forte relação negativa com a massa seca. A massa consumível declinou bruscamente quando a abertura local excedeu aproximadamente 90%.
  • Tempo Desde o Último Fogo (TSF): Embora o TSF tenha sido um termo significativo no modelo multivariado (p=0,01), ele foi um preditor único fraco (R² ≈ 0,14), confirmando sua inadequação como métrica isolada nestes sistemas tropicais.
  • Métricas Estruturais: O volume de folha/madeira do dossel e a altura mediana do voxel do subbosque foram fortes preditores individuais (cada um rendendo R² = 0,62). A combinação dessas métricas sugere uma relação sinérgica onde os locais que sustentam maior densidade de dossel de pinha também acumulam maior biomassa de subbosque.
  • Tipo de Combustível: Embora os tipos de combustível arbustivos tenham apresentado massa consumível significativamente maior do que os tipos de palmeiras, o tipo de combustível categórico forneceu menos granularidade do que as variáveis estruturais contínuas derivadas de TLS.

Significância e Alegações
Os autores afirmam que este estudo valida o TLS como uma ferramenta robusta e eficiente para estimar a massa de combustível consumível em savanas de pinhais. A principal significância reside na capacidade das métricas de TLS, que capturam diretamente a estrutura de superfície próxima, de superar classificações categóricas ou indicadores temporais isolados.

• Utilidade Operacional: A abordagem oferece um caminho para produzir conjuntos de dados de combustível 3D voxelizados para modelos de fogo baseados em física (ex: QUIC-Fire) e planejamento de manejo.
• Implicações de Manejo: Os achados apoiam o monitoramento mais rápido dos resultados de tratamentos e uma melhor contabilidade de carbono. Os dados revelaram que o acúmulo de biomassa estabiliza-se aproximadamente dois anos após o fogo, sugerindo que os intervalos de fogo prescrito de 2 a 3 anos encontram cargas de combustível previsíveis. Essa estabilidade auxilia na manutenção do habitat para a fauna dependente do fogo enquanto evita o avanço de arbustos.
• Escalabilidade: O estudo demonstra que protocolos de TLS de varredura única podem ser eficazes para a estimação da biomassa do subbosque em ecossistemas frequentemente queimados, fornecendo uma alternativa escalável à amostragem destrutiva trabalhosa.

O artigo conclui que a integração do TLS com LiDAR aerotransportado e estruturas de classificação pode ampliar ainda mais esses produtos de combustível voxelizados para níveis de paisagem, melhorando a ligação entre ações de manejo, sequestro de carbono e resultados de habitat ecológico.