As plantações florestais de rápido crescimento fornecem um significativo baixo custo de sequestro de carbono para redução de gases de efeito estufa. O objetivo deste estudo foi avaliar a utilização de dados LiDAR (Light Detection And Ranging) aerotransportado para estimativa do estoque de carbono acima do solo (AGC) em plantações de Eucalyptus spp. Parâmetros biométricos tais como altura (Ht) e diâmetro à altura do peito (DAP) das árvores foram coletadas em parcelas de inventários convencionais. Os modelos de regressão linear múltipla, com o intuito de estimar o estoque de carbono total acima do solo (AGCt), em toras comerciais (AGCc) e em resíduos de colheita (AGCr), foram desenvolvidos utilizando métricas derivadas da nuvem de pontos LiDAR. Os melhores modelos de um conjunto de seis modelos foram selecionados com base no Critério de informação de Akaike corrigido (AICc) e avaliados segundo a Raiz Quadrada do Erro Médio (RMSE) e Coeficiente de determinação ajustado (R²-adj). Os três melhores modelos para as estimativas do estoque de AGC foram AGCt: R²-adj= 0,81; RMSE = 7,70 Mg.ha-1; AGCc: R²-adj= 0,83; RMSE = 5,26 Mg.ha-1; AGCr: R²-adj = 0,71; RMSE = 2,67 Mg.ha-1. Este estudo mostrou que métricas derivadas a nuvem de pontos LiDAR podem ser usadas para estimar o estoque de AGC em plantações Eucalyptus spp. no Brasil com precisão. Concluímos que existe um bom potencial para monitorar o crescimento e a fixação de carbono em plantações de Eucalyptus spp. com o uso da tecnologia LiDAR.
Fast growing plantation forests provide a low-cost means to sequester carbon for greenhouse gas abatement. The aim of this study was to evaluate airborne LiDAR (Light Detection And Ranging) to predict aboveground carbon (AGC) stocks in Eucalyptus spp. plantations. Biometric parameters (tree height (Ht) and diameter at breast height (DBH)) were collected from conventional forest inventory sample plots. Regression models predicting total aboveground carbon (AGCt), aboveground carbon in commercial logs (AGCc), and aboveground carbon in harvest residuals (AGCr) from LiDAR-derived canopy structure metrics were developed and evaluated for predictive power and parsimony. The best models from a family of six models were selected based on corrected Akaike Information Criterion (AICc) and assessed by the root mean square error (RMSE) and coefficient of determination (R²-adj). The best three models to estimate AGC stocks were AGCt: R²-adj = 0.81, RMSE = 7.70 Mg.ha-1; AGCc: R²-adj = 0.83, RMSE = 5.26 Mg.ha-1; AGCr: R²-adj = 0.71, RMSE = 2.67 Mg.ha-1. This study showed that LiDAR canopy structure metrics can be used to predict AGC stocks in Eucalyptus spp. plantations in Brazil with high accuracy. We conclude that there is good potential to monitor growth and carbon sequestration in Eucalyptus spp. plantations using LiDAR.
