Avaliação da produtividade primária bruta de vegetação campestre no bioma pampa brasileiro : integração de dados de campo, torres de fluxo e sensoriamento remoto

Abstract

O aumento da concentração de gases de efeito estufa (GEE), especialmente o CO₂, reforça a necessidade de monitorar ecossistemas terrestres, como a vegetação campestre, que cobre entre 14% e 26% da superfície terrestre, incluindo o bioma Pampa. Apesar dos avanços na estimativa da Produtividade Primária Bruta (GPP) com sensoriamento remoto (SR) e Covariância de Vórtices (MCV), a integração com medições de campo, como biomassa de forragem e SR, ainda é limitada. Este estudo avaliou a consistência das estimativas de GPP combinando dados de MCV, SR e biomassa, utilizando modelos de regressão baseados em imagens do Sentinel-2. Conduzido em um sítio experimental em Santa Maria, Sul do Brasil (2019-2022), o estudo comparou diferentes abordagens: (i) GPP derivado de torres de fluxo (GPP_uStar_f e GPP_DT_uStar_f), (ii) GPP estimado a partir de biomassa e SR (GPP_TB), e (iii) GPP obtido por regressão linear entre dados da torre e o índice EVI-8 (Banda NIR), do Sentinel-2 (GPP_torre-EVI8). Os resultados mostraram que GPP_uStar_f teve os maiores valores e menor variabilidade, relacionado a extrapolacao dos parâmetros nocturnos ou diurnos, enquanto GPP_DT_uStar_f apresentou valores mais conservadores, já que utiliza parâmetros diurnos na geração do GPP. O GPP_TB registrou os menores valores e menor variabilidade devido a escala temporal do metodo, enquanto o GPP_torre-EVI8 capturou melhor as variações sazonais. A produtividade foi maior no verão e menor no inverno, refletindo a fenologia da vegetação campestre. Os achados confirmam a eficácia do sensoriamento remoto, especialmente dos índices EVI e das bandas 5 e 8 do Sentinel-2, na estimativa da GPP. A escolha da metodologia mais adequada depende dos objetivos do estudo, da escala temporal e das variáveis ambientais dominantes.

The increasing concentration of greenhouse gases (GHGs), particularly CO₂, highlights the need to monitor terrestrial ecosystems such as grassland vegetation, which covers between 14% and 26% of the Earth's surface, including the Pampa biome. Despite advances in estimating Gross Primary Productivity (GPP) using remote sensing (RS) and Eddy Covariance (EC), integrating these methods with field measurements, such as forage biomass and RS data, remains limited. This study evaluated the consistency of GPP estimates by combining EC, RS, and biomass data using regression models based on Sentinel-2 imagery. Conducted at an experimental site in Santa Maria, southern Brazil (2019–2022), the study compared different approaches: (i) GPP derived from flux towers (GPP_uStar_f and GPP_DT_uStar_f), (ii) GPP estimated from biomass and RS data (GPP_TB), and (iii) GPP obtained through linear regression between flux tower data and the EVI-8 index (NIR Band) from Sentinel-2 (GPP_tower-EVI8). The results showed that GPP_uStar_f had the highest values and lowest variability, influenced by the extrapolation of nighttime parameters to daytime conditions, while GPP_DT_uStar_f presented more conservative estimates due to the use of daytime parameters in GPP calculations. GPP_TB recorded the lowest values and the least variability due to the temporal scale of the method, whereas GPP_tower-EVI8 effectively captured seasonal variations. Productivity was higher in summer and lower in winter, reflecting the phenology of grassland vegetation. The findings confirm the effectiveness of remote sensing, particularly the EVI index and Sentinel-2 bands 5 and 8, in GPP estimation. The choice of the most appropriate methodology depends on the study objectives, temporal scale, and dominant environmental variables.