Uso de Laser Scanner Terrestre para Estimativa de Biomassa Acima do Solo em Floresta Tropical Sazonalmente Seca
Bibliographic record
Abstract
Parâmetros estruturais da vegetação e quantificação de biomassa acima do solo (AGB) são importantes no monitoramento florestal para compreensão do ciclo vital dos ecossistemas. Em florestas tropicais sazonalmente secas como a caatinga, essa atividade é ainda mais desafiadora. Como alternativa aos métodos tradicionais, foi investigada a viabilidade do uso do Laser Scanner Terrestrial (TLS) na medição de parâmetros estruturais das plantas e na estimativa da biomassa acima do solo. O estudo foi realizado em uma área de caatinga no município de Petrolina, PE, Brasil, na qual foram selecionadas três subáreas experimentais para obtenção de medidas, corte e pesagem de plantas com diâmetro base maior que 2,5 cm, totalizando 97 plantas. Realizaram-se varreduras com a tecnologia Light Detection and Ranging (LiDAR) utilizando o TLS para obtenção de uma nuvem de pontos tridimensional. Os dados medidos em campo e estimados foram correlacionados apresentando coeficientes de correlação (r2) de 0,80 e 0,39 para altura da planta e altura da copa, respectivamente. As medidas de diâmetro do tronco e nas alturas de 40 cm e 130 cm apresentaram r2 de 0,79; 0,78; 0,76, respectivamente. Foram geradas novas equações alométricas do tipo exponencial utilizando variáveis de entrada obtidas em campo e por meio de TLS, com destaque para o produto entre altura da planta e diâmetro do tronco medido a 40 cm de altura. Esses resultados comprovam a viabilidade e potencial do uso do LiDAR-TLS em florestas seca como a caatinga, enfatizando a necessidade de aprofundar abordagens, ferramentas e técnicas utilizando essa tecnologia ao longo do ano, a fim de detectar as variações ocorridas em função da senescência, e assim, do ciclo de carbono.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".