Într-o eră în care pădurile devin aliați centrali în lupta împotriva schimbărilor climatice, tehnologia joacă un rol decisiv în înțelegerea și valorificarea durabilă a acestora. Un nou studiu publicat în Journal of Forestry (2025) propune o analiză sistematică și o meta-analiză detaliată a modului în care datele colectate prin tehnologia LiDAR (Light Detection and Ranging) pot fi utilizate pentru a estima biomasa aeriană a pădurilor (AGB – Aboveground Biomass), esențială pentru contabilizarea carbonului forestier .
De ce contează biomasa aeriană?
Biomasa aeriană a unui arbore reprezintă masa uscată a tuturor componentelor de deasupra solului – tulpina, ramurile, frunzișul. Estimarea corectă a AGB este vitală pentru:
- monitorizarea stocurilor de carbon,
- implementarea politicilor de tip REDD+ (Reducerea Emisiilor din Defrișare și Degradarea Pădurilor),
- atingerea obiectivelor climatice ale Acordului de la Paris.
Tradițional, estimarea biomasei se face prin inventarieri de teren – costisitoare, limitate ca acoperire spațială și greu de replicat în timp. Tehnologiile de teledetecție, în special LiDAR, oferă o alternativă revoluționară: date precise, nedistructive și cu acoperire largă.
LiDAR: O privire tridimensională din aer
LiDAR-ul aeropurtat funcționează prin emiterea unor pulsuri laser către sol și măsurarea timpului de revenire. Rezultatul? Un model tridimensional al structurii pădurii – înălțimea copacilor, densitatea coronamentului, variațiile topografice.
Folosirea LiDAR a cunoscut o creștere exponențială în ultimul deceniu, impulsionată de:
- disponibilitatea unor baze de date publice (ex: USGS 3DEP, GEDI),
- reducerea costurilor de achiziție a datelor,
- integrarea cu metode de inteligență artificială pentru modelare .
Ce ne arată analiza?
Cercetătorii au analizat 52 de articole științifice publicate între 2013 și 2023, incluzând 361 de observații de modelare a biomasei forestiere cu LiDAR . Principalele concluzii:
✅ Cele mai multe studii au fost realizate în SUA și China, în special în păduri tropicale și temperate.
✅ Regresia liniară a fost cea mai folosită metodă statistică, însă metodele de învățare profundă (deep learning) au avut cele mai mici erori medii (RSE ~6,5%).
✅ Datele LiDAR combinate cu alte surse (imagini satelitare, radar etc.) au dus la estimări mult mai precise decât utilizarea exclusivă a LiDAR (RSE: 20,5% vs. 33,9%).
✅ Cele mai mari erori s-au înregistrat în pădurile tropicale, unde diversitatea speciilor și complexitatea structurii fac modelarea mai dificilă .
Articol realizat pe baza studiului „Forest Aboveground Biomass Estimation Using Airborne LiDAR: A Systematic Review and Meta‑Analysis” de Nisham Thapa et al., publicat în Journal of Forestry (2025)
