INTRODUÇÃO

Nos últimos vinte anos foram alcançados avanços notáveis na quantificação e compreensão dos padrões espaço-temporais dos fluxos de carbono terrestre. O constante progresso do sensoriamento remoto tem desempenhado um papel fundamental na melhoria dos modelos de estimativa dos fluxos de carbono, esses avanços contribuíram substancialmente para o aprimoramento da nossa compreensão sobre a dinâmica dos fluxos de carbono em escala local, regional e global (Prakash Sarkar et al., 2022; Silva, Silva, Santos, Silva, Galvíncio, 2017; Silva, Galvíncio, Silva, Soares, Tiburcio, Barros, 2024).

As terras áridas abrangem mais de 40% (Jesus et al., 2023; Xue et al., 2023), da superfície terrestre, englobando diversos biomas que se estendem por aproximadamente dois quintos do planeta, sendo o domínio semiárido o mais representativo (Jesus et al., 2023). No Brasil, a floresta tropical sazonalmente seca brasileira (caatinga), destaca-se como o quarto maior bioma do Brasil (Silva; Lima, Antonino; Souza; Souza; Silva; Alves, 2017; Silva; Galvíncio; Silva; Soares; Silva, 2024; Silva; Galvíncio; Silva; Soares; Tiburcio; Barros, 2024), abrangendo uma vasta extensão no Nordeste, com cerca de 912.529 km² (Tabarelli et al., 2018). A resiliência ambiental da caatinga é atribuída à sua riqueza de espécies endêmicas, apresentando um potencial significativo para o sequestro de carbono e a mitigação dos impactos nesse ecossistema (Borges et al., 2020). No contexto da caatinga, os padrões fenológicos da vegetação desempenham um papel crucial na regulação da produtividade sazonal e anual, contribuindo como um importante sumidouro na absorção do dióxido de carbono (CO₂) (Silva; Lima, Antonino; Souza; Souza; Silva; Alves, 2017; Silva; Galvíncio; Miranda; Moura, 2024).

A estimativa dos fluxos de carbono a partir de produtos de sensoriamento remoto por satélites tem experimentado um crescimento significativo. Embora os dados provenientes do MOD17A2H sejam amplamente reconhecidos, eles apresentam potenciais fontes de erro relacionadas tanto à entrada de dados quanto aos parâmetros que descrevem as propriedades biofísicas da vegetação e do próprio algoritmo (Wang et al., 2017).

A análise da dinâmica do carbono em ecossistemas ao longo de períodos extensos é uma tarefa desafiadora e em constante evolução, requerendo a aplicação de diversos conjuntos de dados e métodos de simulação (Silva et al., 2021). A integração de dados provenientes dos sensores orbitais e sensores que são instalados na superfície terrestre, capturaram informações espectrais detalhadas sobre objetos, e emerge como uma abordagem essencial para monitorar o armazenamento de carbono em florestas tropicais sazonalmente secas (Silva et al., 2021; Silva; Lima, Antonino; Souza; Souza; Silva; Alves, 2017).

A medição de carbono utiliza três principais métodos: amostragens diretas com derrubada de vegetação, equações alométricas e técnicas de sensoriamento remoto (Cerqueira; Washington Franca-Rocha, 2007; Prakash Sarkar et al., 2022). Diversos métodos estão disponíveis para extrapolar informações das torres de covariância de vórtices turbulentos (EC) de fluxo, originalmente em escala local, para uma escala regional. Estes métodos incluem abordagens estatísticas, como modelos de regressão e semiempíricos, técnicas de aprendizado de máquina (ML), como redes neurais e árvores de decisão, além de métodos baseados em modelos intrínsecos de eficiência no uso da água (Silva, Galvíncio, Silva, Soares, Tiburcio, Barros, 2024).

Existe um notável interesse no desenvolvimento de modelos destinados ao monitoramento de variáveis ambientais vinculadas ao balanço de carbono, especificamente relacionadas à Produção Primária Bruta (GPP), Fluxo Líquido do Ecossistema (NEE), e Respiração do Ecossistema (Reco), adaptados às características microclimáticas locais.

No bioma Caatinga, há uma escassez de análises de precisão utilizando métodos diversos de sensoriamento remoto. Esta pesquisa visa explorar uma abordagem alternativa para determinar o balanço de carbono na Caatinga, utilizando sensoriamento remoto. A proposta é desenvolver modelos híbridos que combinem diferentes faixas espectrais especificamente do visível e do infravermelho próximo, esses modelos serão validados comparando-os com a Reco, NEE e GPP derivada de medidas de fluxo de carbono da EC em um ecossistema de Caatinga, visando facilitar a análise das condições climáticas em áreas de florestas sazonalmente secas. A hipótese subjacente busca avaliar a precisão do monitoramento do balanço de carbono na vegetação da Caatinga por meio de modelos calibrados para florestas tropicais sazonalmente secas, integrando dados de campo e informações de imagens orbitais multiespectrais e hiperespectrais.

MATERIAIS E MÉTODOS

Caracterização da área de estudo

A área de estudo compreende a Caatinga, uma Floresta Tropical Sazonalmente Seca, localizada no Município de Petrolina, PE, Brasil. O ponto destacado (Figura 1) corresponde uma área de Reserva Legal na Embrapa Semiárido, onde está instalado um sistema de Covariância de Vórtices Turbulentos. A vegetação nesta área consiste em formação lenhosa de porte médio e baixo, espécies espinhosas de folhas pequenas e finas, cactáceas e bromeliáceas (Kiill, 2017). A altura média do dossel é de 4,5 m (Miranda et al., 2020). O clima é semiárido BSh de acordo com a classificação de Köppen (Alvares et al., 2013), com a estação chuvosa entre janeiro e abril, com precipitação pluvial média anual de 578 mm, temperatura média anual de 26,0 °C (Moura et al., 2007).

Figura 1
Floresta Tropical Sazonalmente Seca - Caatinga, Oeste do Estado de Pernambuco, Petrolina, Brasil.
Fonte: IBGE (2000). Elaborado pelos autores (2024).

Obtenção de dados na torre de fluxos

O Fluxo líquido do ecossistema (NEE) foi calculado em intervalos de 30 minutos através do software EddyPro, versão 3.6, usando dados brutos medidos a 10 Hz. A Produção Primária Bruta (GPP) foi estimada pela partição do Fluxo Líquido do Ecossistema (NEE) em Respiração do Ecossistema (Reco), conforme as Equações 1, 2 e 3. O método noturno foi adotado para estimar a Reco (Lloyd; Taylor, 1994; Reichstein et al., 2005) (Equação 2). Este procedimento, juntamente com o gap filling, foi realizado usando o pacote REddyProc no ambiente R (The R Foundation, 2018). Todos os dados utilizados referem-se ao ano de 2015 e serviram como base para a criação e calibração dos modelos desenvolvidos neste estudo. A partição do NEE entre GPP e Reco foi realizada de acordo com a Equação 1:

NEE é o fluxo de carbono líquido (μmolCO₂ m^-2 s^-1), GPP é a produção primária bruta (μmolCO₂ m^-2 s^-1), e Reco é a respiração do ecossistema (μmolCO₂ m^-2 s^-1).

Reco é a respiração do ecossistema, Tref é a temperatura de referência (C°), Tsoil é a temperatura do solo à profundidade de 5 cm e T0 é constante igual a 46,02 °C, conforme (Lloyd; Taylor, 1994).

GPP é a produção primária bruta (μmolCO₂ m^-2 s^-1), NEE é o fluxo de carbono líquido (μmolCO₂ m^-2 s^-1), e Reco é a respiração do ecossistema (μmolCO₂ m^-2 s^-1).

Obtenção e pré-processamento de dados hiperespectrais

As medidas radiométricas dos dosséis vegetais foram coletadas de janeiro a agosto de 2015 em dias aleatórios, selecionando datas próximas aos registros observados dos fluxos de carbono da torre micrometeorológica, em doze ocasiões durante o período analisado.

As medições de reflectância espectral ocorreram a cerca de 10 metros acima do solo, em quatro direções (Norte, Sul, Leste e Oeste), ao redor da torre EC. Em cada data e área amostral, foram realizadas quatro leituras e em seguida calculada a média aritmética para cada coleta. Neste estudo, foram preferencialmente utilizados os dados de reflectância obtidos com o HandHeld, semelhantes ao comprimento de onda do MOD09GA, para cada banda do visível e infravermelho próximo. O pixel da torre foi empregado para extrair a refletância do MOD09GA.

Obtenção e processamento de imagens orbitais

Os dados de refletância da superfície terrestre (MOD09GA) foram utilizados na pesquisa, envolvendo doze cenas durante o período analisado. As análises foram conduzidas no pixel que abrange a torre equipada com o sistema de vórtices turbulentos, uma vez que o pixel estava completamente contido na área correspondente à caatinga preservada.

Os valores de pixel de MOD09GA de oito dias foram representados pela refletância, sendo selecionados pixels com ângulos de visualização ideais e impactos mínimos de sombra de nuvens ou nuvens. As séries temporais extraídas foram submetidas a garantia de Qualidade/Controle de Qualidade (QA/QC) para assegurar a qualidade do produto MOD09GA.

O MOD09GA consiste em sete bandas com resolução diária, apresentando valores de refletância da superfície com 500 m de resolução espacial no visível ((₁= 620-670 nm; (₃= 459-479 nm; (₄= 545-565 nm), infravermelho próximo ((₂= 841-876 nm; (₅= 1230-1250 nm), e infravermelho médio ((₆= 1628-1652 nm; (₇= 2105-2155 nm).

Calibração e validação dos modelos de Reco, NEE e GPP

As estimativas dos fluxos de carbono derivados das faixas espectrais do espectrorradiômetro portátil FieldSpec HandHeld foram criadas usando métodos estatísticos. Inicialmente, foram calculadas estatísticas descritivas, incluindo média, mediana e desvio padrão, para cada modelo desenvolvido. Além disso, análises de correlação e regressão linear múltipla foram conduzidas para estabelecer os modelos, considerando as reflectâncias do espectrorradiômetro e os fluxos de carbono provenientes da torre de Covariância de Vórtices Turbulentos.

Modelo de Regressão Linear Múltipla

Análises de regressão linear múltipla (Equação 4) foram conduzidas usando o software SPSS®.

Os modelos resultantes da regressão linear múltipla foram definidos pelas variáveis espectrais e fluxos de carbonos derivados da torre micrometeorologica (Tabela 1). A correlação foi obtida usando um nível de significância de 0,05, ou seja 95% de confiabilidade.

Tabela 1

Variáveis incluídas no modelo para estimativa da taxa de troca de dióxido de carbono em micromoles de CO₂ por metro quadrado por segundo (μmolCO₂ m⁻² s⁻¹)

Fonte: Os autores (2024).

Teste de Durbin - Watson

Os modelos de regressão linear múltipla foram ajustados com base na análise da aplicabilidade do teste Durbin-Watson (DW) (Equação 5), para avaliar a presença de autocorrelação nos resíduos e garantir a premissa de independência dos erros. Portanto, se o valor de DW for maior que o limite superior, não há autocorrelação; se for menor que o limite inferior, há autocorrelação positiva; e se estiver entre os dois limites, o teste é inconclusivo. Além disso, a normalidade da distribuição dos erros também foi verificada através da probabilidade do valor esperado.

O valor de Durbin-Watson (d) estatístico é dada pela fórmula apresentada na equação 5:

Fator de Inflação da Variância

Foi empregado o Fator de Inflação da Variância (VIF - Variance Inflation Factor), um índice que detecta a multicolinearidade no modelo de regressão (Equação 6).

O VIF é calculado para cada variável independente e uma pontuação elevada indica uma alta multicolinearidade, o que pode prejudicar a precisão dos coeficientes de regressão estimados. Em termos de escala, o VIF pode variar de 1 em diante, e valores maiores que 10 são frequentemente considerados indicativos de multicolinearidade problemática.

Índice de Kappa

A confiabilidade dos resultados obtidos neste estudo foi analisada de acordo com os intervalos dos valores do Índice Kappa propostos por Landis e Koch (1977). Esses intervalos são descritos na equação a seguir e são amplamente utilizados para avaliar a concordância entre os dados observados e os dados previstos.

O Índice Kappa, é uma medida de concordância estatística entre observações reais e as previstas, varia de 0 a 1. Quanto mais próximo de 1 o valor do Índice Kappa, maior é a exatidão da previsão em relação aos dados observados.

RESULTADOS E DISCUSSÃO

Com base em critérios estatísticos, escolheu-se as variáveis espectrais que apresentaram a melhor correlação com o modelo, para a Respiração do Ecossistema (Reco), Fluxo Líquido do Ecossistema (NEE) e a Produtividade Primária Bruta. Análises de regressão utilizando diferentes faixas espectrais (Azul, Verde, Vermelho e Infravermelho Próximo - NIR) foram utilizadas para estimar Reco, NEE e GPP.

Alguns estudos têm empregado a regressão linear para avaliar Reco, NEE e GPP, por exemplo, Li et al. (2016) conduziram análises de regressão linear múltipla com conjuntos de parâmetros otimizados para gerar estimativas de GPP, Reco e NEE. Chu et al. (2018) investigaram a distribuição da precipitação e seus impactos sobre o NEE por meio de regressão linear. Zhang et al. (2019) avaliaram o desempenho fotossintético do ecossistema em três períodos de seca extrema em uma estepe semiárida da Mongólia, aplicando o GPP para a padronização de vários modelos de regressão linear.

Modelo de regressão linear múltipla para estimativa do Reco

De acordo com os critérios escolhidos para a criação do modelo Reco, o resultado mais eficaz foi alcançado ao incorporar informações de duas faixas espectrais, ρ 550 (Verde) e ρ 775 (Infravermelho Próximo - NIR), como mostrado na Tabela 2. Essa abordagem permitiu uma melhor compreensão e previsão do Reco. Ressalta-se que a média da respiração do ecossistema em 2015 foi de 1,91 μmolCO₂ m^-2 s^-1, com as percentagens de refletância no verde e infravermelho sendo, respectivamente, 8% e 22% (Tabela 2). Resultados similares foram encontrados no estudo de Flores-Rentería et al. (2023) em que realizaram no Deserto de Chihuahuan, no Nordeste do México, um estudo utilizando a técnica de covariância de redemoinhos para investigar como os fatores ambientais afetam a troca de CO₂ ao longo do ano, os resultados apontaram que a média anual da Reco foi de 1,45 μmolCO₂ m_-2 s^-1. Modelos baseados em refletância de superfície foram desenvolvidos para aprimorar a compreensão da Reco em diversos sítios, com o uso de índices espectrais (Lees et al., 2018). De acordo com o estudo conduzido por Jägermeyr et al. (2014) os autores criaram um modelo de Reco utilizando a temperatura da superfície terrestre MODIS (LST) e o índice de vegetação aprimorado (EVI), os modelos utilizam a reflectância do NIR. Wu et al. (2014) utilizaram o NDVI e o LST derivados do MODIS (tanto LST diurno quanto noturno) em sua capacidade de explicar as variações de Reco.

Tabela 2

Estatísticas descritivas das bandas espectrais ρ 550 e ρ 775, juntamente com a respiração do Ecossistema - Reco (em μmolCO₂ m^-2 s^-1), derivados da torre de variância vórtices turbulentos e da reflectância medida no dossel na área da Caatinga preservada em Petrolina - PE, no ano de 2015

Fonte: Os autores (2024).

Neste modelo específico, vale ressaltar que o coeficiente de correlação alcançou um valor considerável, apresentando r = 0,75 e r² = 0,56, e demonstrando uma significância estatística inferior a 0,05. Estes resultados destacam de maneira substancial o grau de associação existente entre a variável dependente Reco e as variáveis independentes ρ 550 e ρ 775, conforme apresentado detalhadamente na Tabela 3.

Tabela 3

Parâmetros estatísticos da regressão linear múltipla para desenvolvimento do modelo Reco (μmolCO₂ m^-2 s^-1) derivado do método de covariância de vórtices turbulentos para uma área de caatinga preservada em Petrolina - PE

Fonte: Os autores (2024).

O modelo Reco apresentou um erro padrão de 0,81 μmolCO₂ m^-2 s^-1, indicando alta magnitude de erro. O teste de Durbin-Watson resultou em 1,347 μmolCO₂ m^-2 s^-1 sinalizando autocorrelação positiva. Os valores baixos do VIF (Variance Inflation Factor) de 1,94 indicou a possibilidade de sobreajuste, podendo haver alguma variabilidade nas relações entre as variáveis, considerado aceitável, dado sua proximidade de 2 no intervalo de confiança de 95%, no entando, a ausência de multicolinearidade foi evidenciada pela tolerância de 0,51 (Tabela 4), o índice de Kappa foi 0,25 indicando concordâcia fraca sugerindo novas calibrações.

Há uma quantidade significativamente menor de modelos bem-sucedidos de Reco em comparação com o GPP, devido à maior dificuldade em explicar a variação entre ecossistemas, especialmente utilizando sensoriamento remoto (Jägermeyr et al., 2014; Lees et al., 2018).

Tabela 4

Coeficientes e indicadores de ajustamento do ρ 550 e ρ 775 do modelo Reco desenvolvido para estimar a respiração do ecossistema (Reco) na caatinga.

Fonte: Os autores (2024).

O valor previsto para cada observação é o valor intercepto, ou seja, a constante é igual a 1,336, mais o coeficiente de regressão do ρ 550 é de -30,631 multiplicado pelo valor da independente, mais o coeficiente de regressão ρ 775 que é de 13,913 multiplicado pelo valor da variável independente.

O modelo final desenvolvido, neste estudo, para estimativa do Reco (μmolCO₂ m^-2 s^-1).

Em que, ρ 550 (verde) e ρ 775 (Infravermelho Próximo - NIR) são as reflectâncias nas faixas 550 nm e 775 nm, respectivamente.

Variabilidade temporal da Reco média diária

A avaliação da Respiração do Ecossistema (Reco) baseou-se na comparação dos dados de vórtices turbulentos medidos na área de Caatinga preservada ao longo de 2015. A Reco medida pelo Sistema de Vórtices Turbulentos (EC) apresentou uma média de 1,91 μmolCO₂ m^-2 s^-1, enquanto o modelo Reco desenvolvido e aplicado aos dados do sensor MOD09GA (Modelo Desenvolvido/MOD09GA) para o mesmo ano registrou uma média de 2,06 μmolCO₂ m^-2 s^-1. Isso representa aproximadamente 93% de precisão na média do valor estimado em comparação com o valor observado na torre EC. Esses resultados indicam precisão do modelo desenvolvido quando aplicado aos dados do MODIS.

Em 2015, um baixo volume pluviométrico indicou restrição à respiração dos ecossistemas semiáridos devido à escassez de água, limitando o Reco (Figura 2) (Jia et al., 2020). Estudos globais realçaram os impactos da redução da precipitação, evidenciando uma correlação sazonal fraca ou ausente entre Reco (Gao et al., 2015; Jia et al., 2020; Zhou et al., 2020). O modelo desenvolvido neste estudo demonstrou eficácia em lidar com ecossistemas secos e períodos de redução de precipitação. As curvas sazonais de Respiração do Ecossistema (Reco) apresentaram padrões semelhantes durante a maior parte do período analisado (Figura 2), comparando valores observados na torre com estimativas do modelo aplicado aos dados do MODIS. A proximidade foi notável no período seco, enquanto houve afastamento no período chuvoso, é possível notar que o pico de precipitação no período entre vinte de março a dezessete de abril. As Chuvas mínimas podem estimular a liberação de CO2, especialmente pela respiração microbiana (Gao et al., 2015; Jia et al., 2020; Sun et al., 2020). Durante déficits hídricos mais intensos, a transpiração das plantas é reduzida, levando a uma menor fotossíntese, perda de cobertura do dossel e aumento da exposição à radiação e insolação. Essas condições resultam em variações significativas de temperatura, redução de umidade e aumento da atividade microbiana, contribuindo para a perda de CO₂.

Figura 2
Variação temporal da Respiração do Ecossistema (Reco) derivada do sistema de vórtices turbulentos e do modelo desenvolvido aplicado aos dados do sensor MOD09GA (Modelo Desenvolvido/MOD09GA), juntamente com os registros de precipitação pluvial
Fonte: Os autores (2024).

A Reco do modelo desenvolvido/MOD09GA não acompanhou a curva de precipitações, este modelo necessita de novas calibrações, no entanto, não existem modelos de Reco calibrados para a vegetação de Caatinga utilizando imagens orbitais, sendo possível utilizar esse modelo na ausência de um modelo melhor calibrado para esta vegetação. As análises estatísticas revelaram que é viável estimar com considerável precisão a respiração do ecossistema utilizando dados de refletância da faixa do visível. Dessa forma, o modelo desenvolvido neste estudo desempenha um papel significativo na avaliação espacial e temporal da respiração do ecossistema em florestas tropicais secas, abrangendo diversas escalas, incluindo regional e local.

Figura 3
Regressão Linear Simples entre a Respiração do Ecossistema - Reco derivada do sistema de vórtices turbulentos, da Reco do modelo desenvolvido/MOD09GA.
Fonte: Os autores (2024).

A validação/verificação do modelo desenvolvido neste estudo, utilizando dados do MODIS, revelou significância estatística (p < 0,04) e um coeficiente de determinação de 0,5584 (Figura 3). Os dados estão bem distribuídos na linha de tendência, mas indicam uma tendência de sobrestimativa em relação aos dados da Torre, prinicpalmente para Reco menor que 2,0 μmolCO₂ m^-2 s^-1.

Essa sobrestimativa do MODIS pode estar associada à sua resolução espacial, que representa a média de um pixel de 500 metros. A Reco Modelo Desenvolvido/MOD09GA mostrou-se mais confiável, embora tenha superestimado os valores tanto na estação chuvosa quanto na estação seca, conseguindo capturar eficientemente a sazonalidade da precipitação na área de estudo.

É relevante destacar a escassez de dados observados ou estimados de Respiração do Ecossistema (Reco) por meio de sensoriamento remoto. Enquanto existem vários modelos para estimar a Produção Primária Bruta (GPP) utilizando sensores orbitais, há uma limitada disponibilidade de métodos semelhantes para a estimativa de Reco, principalmente para a vegetação da Caatinga.

Modelo de regressão linear múltipla para estimativa do NEE

Após diversas tentativas para criar o modelo de Fluxo Líquido do Ecossistema (NEE), o resultado mais eficaz foi alcançado ao utilizar duas faixas espectrais, ρ 470 (Azul) e ρ 775 (Infravermelho Próximo - NIR), juntamente com o Reco (Tabela 5). Vale observar que o fluxo líquido médio do ecossistema para o ano de 2015 foi de 1,66 μmolCO₂ m^-2 s^-1, enquanto a refletância na faixa azul foi de 0,06% e no infravermelho foi de 22% no mesmo ano (Tabela 5).

Tabela 5

Estatísticas descritivas dos dados do modelo NEE, provenientes das bandas espectrais ρ 470, ρ 775 e dos fluxos de Reco μmolCO₂ m^-2 s^-1 derivados vórtices turbulentos e da reflectância medida no dossel na área da Caatinga preservada em Petrolina - PE, no ano de 2015

Fonte: Os autores (2024).

O modelo apresentou um coeficiente de correlação de r = 0,36 e r² = 0,13, com um nível de significância inferior a 0,05. Esses resultados refletem o grau de associação entre a variável dependente Reco e as variáveis independentes ρ 470 e ρ 775, o índice de Kappa foi 0,65 indicando concordâcia moderada (Tabela 6).

Tabela 6

Parâmetros estatísticos da regressão linear múltipla para desenvolvimento do modelo NEE (μmolCO₂ m^-2 s^-1) derivado do método de covariância de vórtices turbulentos para uma área de caatinga preservada em Petrolina - PE

Fonte: Os autores (2024).

Observa-se que o modelo de Fluxo Líquido do Ecossistema (NEE) desenvolvido demonstra boa capacidade de representação das estimativas, conforme indicado pelo VIF que variou entre 2,4 e 3,15 (Tabela 7). Nota-se que o modelo de NEE desenvolvido pode representar bem as estimativas, uma vez que o VIF esteve entre 2,4 e 3,15 (Tabela 7).

Tabela 7

Coeficientes e indicadores de ajustamento do ρ 470, ρ 775 e Reco (μmolCO₂ m^-2 s^-1) desenvolvido para estimar o fluxo líquido do ecossistema (NEE) na Caatinga.

Fonte: Os autores (2024).

Os parâmetros e variáveis do modelo de NEE (μmolCO₂ m^-2 s^-1) desenvolvido neste estudo foram:

Em que, Reco é a respiração do ecossistema, ρ 470 (azul), ρ 775 (Infravermelho Próximo - NIR) são as reflectâncias no comprimento de onda de 470 nm e 775 nm, respectivamente.

Variabilidade temporal da NEE média diária

A avaliação do fluxo líquido do ecossistema (NEE) foi realizada comparando os dados obtidos pelos vórtices turbulentos na área de Caatinga preservada durante o ano de 2015. Ao longo do ano, a NEE medida pelo Sistema de Vórtices Turbulentos apresentou uma média de 1,6605 μmolCO₂ m^-2 s^-1, enquanto o modelo de NEE derivado da regressão registrou uma média de 1,556 μmolCO₂ m^-2 s^-1.

Os resultados deste estudo estão em consonância com pesquisas em diversos ambientes semiáridos, como indicado por Silva, Galvíncio, Miranda, Moura (2024), que, após eventos de precipitação, registrou NEE de 1,4 e 3,6 μmolCO₂ m^-2 s^-1 para pastagem e Caatinga, respectivamente. A média anual variou entre -3,25 μmolCO₂ m^-2 s^-1 para pastagem e -3,42 μmolCO₂ m^-2 s^-1 para Caatinga.

Figura 4
Variação temporal do Fluxo Líquido do ecossistema (NEE) derivada do sistema de vórtices turbulento e do modelo desenvolvido aplicado aos dados do sensor MOD09GA (Modelo Desenvolvido/MOD09GA), juntamente com os registros de precipitação pluvial.
Fonte: Os autores (2024).

O modelo desenvolvido apresentou um padrão temporal consistente para a NEE, como ilustrado na Figura 4. É evidente que o modelo responde bem às variações em períodos de chuvas e secas mais regulares, embora tenha sido subestimado o valor extremo medido de 2,6 μmolCO₂ m^-2 s^-1. Em comparação com os dados observados pela Torre, a NEE modelada exibiu um padrão sazonal semelhante durante a maior parte do período analisado, com valores baixos em um fragmento preservado de Caatinga devido ao déficit de umidade do solo, impactando a vegetação, conforme observado em estudos anteriores (Mendes et al., 2021; Pereira et al., 2020; Silva; Lima; Antonino; Souza; De Souza; Silva; Alves, 2017).

A regressão linear simples entre a NEE do sistema de vórtices turbulentos e a NEE do Modelo Desenvolvido/MOD09GA para 2015 resultou em um coeficiente de determinação de 0,049 (Figura 5). A distribuição dos dados na linha de tendência mostra uma superestimativa no modelo NEE da Torre. Apesar das estatísticas consideradas fracas, é importante destacar que, devido à ausência de modelos calibrados para este ecossistema, o modelo desenvolvido pode ser útil até que uma compreensão mais aprofundada seja alcançada (Figura 5).

Figura 5
Regressão Linear Simples entre a NEE derivada do sistema de vórtices turbulentos, da NEE derivada do modelo desenvolvido/MOD09GA.
Fonte: Os autores (2024).

Modelo de regressão linear múltipla para estimativa da GPP

Dentre os testes para desenvolver o modelo de Produção Primária Bruta (GPP), o melhor resultado foi alcançado ao utilizar as variáveis independentes NEE, Reco, ρ 470 (Azul) e ρ 775 (Infravermelho Próximo - NIR). A estatística descritiva dos dados de entrada, indicando uma média de 0,8998 μmolCO₂ m^-2 s^-1 para GPP, 1,9100 μmolCO₂ m^-2 s^-1 para Reco e 1,6605 μmolCO₂ m^-2 s^-1 para NEE. Além disso, a refletância na faixa azul foi de 6%, enquanto no infravermelho foi de 22%, ambos referentes ao ano de 2015 (Tabela 8).

Tabela 8

Estatísticas descritivas dos dados do modelo GPP, provenientes das bandas espectrais ρ 470, ρ 775 e dos fluxos de Reco e NEE μmolCO₂ m^-2 s^-1 derivados vórtices turbulentos e da reflectância medida no dossel na área da Caatinga preservada em Petrolina - PE, no ano de 2015.

Fonte: Os autores (2024).

Para o modelo GPP foi obtida uma correlação muito alta, r = 0,97, e r² = 0,95 (Tabela 9). Com nível de significância de < 0,00. O modelo obteve o erro padrão de 0,20, ou seja, considerado baixo. O índice de Kappa foi calculado como 0,65, indicando uma concordância moderada entre os dados observados e os dados previstos (Tabela 9).

Tabela 9

Parâmetros estatísticos da regressão linear múltipla para desenvolvimento do modelo GPP (μmolCO₂ m^-2 s^-1) derivado do método de covariância de vórtices turbulentos para uma área de caatinga preservada em Petrolina - PE

Fonte: Os autores (2024).

O VIF demonstrou que o modelo pode estimar a GPP de forma muito precisa, como mostrado na Tabela 10. Além disso, não foi identificada nenhuma multicolinearidade no modelo, o que confirma a robustez das estimativas.

O modelo de GPP (μmolCO₂ m^-2 s^-1) desenvolvido neste estudo foi:

Em que, ρ 470 (azul) e ρ 775 (infravermelho próximo - NIR) são as reflectâncias nas faixas espectrais de 470 nm e 775 nm, respectivamente.

Tabela 10

Coeficientes e indicadores de ajustamento do ρ 470, ρ 775 e Reco (μmolCO₂ m^-2 s^-1) do modelo desenvolvido para estimar a Produtividade Primária Bruta (GPP) na caatinga.

Fonte: Os autores (2024).

Variabilidade temporal da GPP diária

A GPP foi avaliada por meio da comparação dos dados de vórtices turbulentos, medidos na área de Caatinga preservada durante o ano de 2015. A GPP medida pelo Sistema de Vórtices Turbulentos apresentou uma média de 0,8998 μmolCO₂ m^-2 s^-1, enquanto o modelo de GPP desenvolvido pela regressão demonstrou uma média de 1,1380 μmolCO₂ m^-2 s^-1.

Figura 6
Variação temporal do GPP derivada do sistema de vórtices turbulento e da Reco derivada modelo desenvolvido aplicado aos dados do sensor MOD09GA - Modelo Desenvolvido/MOD09GA e precipitação pluvial.
Fonte: Os autores (2024).

A GPP exibiu um padrão sazonal semelhante durante a maior parte do período analisado. Durante a estação chuvosa de janeiro a março, a GPP do Modelo Desenvolvido/ MOD09GA não acompanhou bem as chuvas, respondendo mais lentamente, em relação a GPP da Torre, que teve uma assimilação mais lenta após as precipitações de janeiro a março. Este atraso na resposta às chuvas observado no Modelo Desenvolvido/ MOD09GA é consistente com estudos em ambientes áridos e semiáridos (Hao et al., 2010; Liu et al., 2012; Zhou et al., 2020). Em abril, apesar do aumento da pluviosidade, as estimativas de GPP do Modelo Desenvolvido/MOD09GA diminuiu, estendendo-se até junho. Durante esses meses, ambos seguiram um padrão sazonal semelhante, mas a GPP do Modelo Desenvolvido/MOD09GA superestimou a GPP da Torre. A falta de chuvas nesse período resultou em estresse hídrico, sendo o principal fator para a redução na assimilação da GPP. No geral, o Modelo Desenvolvido/MOD09GA superestimou os valores, na estação seca, mas conseguiu capturar bem a sazonalidade da precipitação na área de estudo (Figura 6).

A análise de regressão simples entre a GPP da Torre e a GPP do Modelo Desenvolvido/MOD09GA para o ano de 2015 revelou um coeficiente de correlação de r=0,3324 (Figura 7). Esses resultados estão alinhados com pesquisas realizadas em várias regiões do mundo. No estudo conduzido por Maselli et al. (2017) na Ilha de Pianosa, foi identificada uma tendência média baixa de GPP (0,11 g C m⁻² dia⁻¹). Além disso, em um estudo realizado por (Morais, 2019) no sítio da Embrapa Semiárido - Brasil, a análise da GPP registrada pelo EC durante o período de 2011 a 2015 indicou uma média de 1,91 ± 2,31 g C m^-2 dia ^-1.

Figura 7
Regressão Linear Simples entre a Produção Primária Bruta- GPP derivada do sistema de vórtices turbulentos, da Produção Primária Bruta - GPP derivada Modelo desenvolvido/MOD09GA.
Fonte: Os autores (2024).

Quando se avaliaram os modelos de GPP e os comparou com a GPP de referência derivada do sistema de vórtices turbulentos, observou-se que o modelo desenvolvido a partir de reflectâncias in situ apresentou resultados superiores no padrão sazonal da região, destacando-se com uma presença mais significativa no valor da GPP.

CONCLUSÕES

Os fluxos de carbono e a respiração do ecossistema na Caatinga são essenciais para abordar os desafios ambientais atuais nesta significativa região semiárida. Nesse estudo evidenciam, dentre outros aspectos, a importância de modelos calibrados para este tipo específico de vegetação e clima, visando representar as estimativas de Reco, NEE e GPP do ecossistema da caatinga.

As variáveis que apresentaram melhor correlação com os dados medidos e observados foram para a estimativa da GPP e NEE, enquanto o Reco mostrou ser menos representativo, indicando a necessidade de aprimoramentos, mas é possível considerar sua utilização, na ausência de um modelo de Reco melhor calibrado.

As diferenças observadas entre os dados medidos pelo do sistema de vórtice turbulento e os estimados por meio do Modelo desenvolvido/MOD09GA de Reco, NEE e GPP, na estação chuvosa, com ênfase ao mês de abril, é possível observar que as estimativas foram menos precisas, evidenciando a necessidade de calibrar modelos com dados meteorológicos, destaca-se que a precipitação desempenha um papel crucial na capacidade da Caatinga de capturar CO₂.

O uso do conjunto de dados terrestre e orbitais das bandas do sensor MODIS/Terra (MOD09GA) apresentou sobrestimação podendo estar associada à sua resolução espacial, que representa a média de um pixel de 500 metros. No entanto, os resultados dos modelos se apresentaram bem melhores do que os até então existentes para estimativas de produção primária bruta e respiração de ecossistema secos, em especial no bioma Caatinga.

REFERÊNCIAS

ALVARES, C. A.; STAPE, J. L.; SENTELHAS, P. C.; MORAES GONÇALVES, J. L.; SPAROVEK, G. Köppen's climate classification map for Brazil. Meteorologische Zeitschrift, Austrália, v. 22, n.6, p.711-728, 2013. Doi: 10.1127/0941-2948/2013/0507​

BORGES, C. K.; SANTOS, C. A; CARNEIRO, R. G.; SILVA, L. L.; OLIVEIRA, G.; MARIANO, D.; SILVA, M. T.; SILVA, B. B.; BEZERRA, B. G.; PEREZ-MARIN, A. M.; MEDEIROS, S. S. Seasonal variation of surface radiation and energy balances over two contrasting areas of the seasonally dry tropical forest (Caatinga) in the Brazilian semi-arid region. Environmental Monitoring and Assessment. Bethesda, v. 192, p. 524 -542, 2020. Doi: 10.1007/s10661-020-08484-y

CERQUEIRA, D. B.; FRANCA-ROCHA, W. Relationship between vegetation types and CO2 flow in the Caatinga Biome: Case study in Rio de Contas - Ba. Proceedings XIII Brazilian Symposium on Remote Sensing, Florianópolis, p. 2413-2419, 2007. Disponível em: http://marte.dpi.inpe.br/col/dpi.inpe.br/sbsr@80/2006/11.16.00.29/doc/2413-2419.pdf. Acesso em: 26 jul. 2024

CHU, X.; HAN, G.; XING, Q.; XIA, J.; SUN, B.; YU, J.; LI, D. Dual effect of precipitation redistribution on net ecosystem CO2 exchange of a coastal wetland in the Yellow River Delta. Agricultural and Forest Meteorology, Guelph, v. 249, p. 286-296, 2018. Doi: 10.1016/j.agrformet.2017.11.002

FLORES-RENTERÍA, D.; DELGADO-BALBUENA, J.; CAMPUZANO, E. F.; CURIEL YUSTE, J. Seasonal controlling factors of CO2 exchange in a semiarid shrubland in the Chihuahuan Desert, Mexico. Science of The Total Environment, v. 858, n. 3, p. 159918, 2013. Doi: 10.1016/J.SCITOTENV.2022.159918

GAO, Y.; YU, G.; LI, S.; YAN, H.; ZHU, X.; WANG, Q.; ZHAO, L.; LI, Y.; ZHANG, F.; WANG, Y.; ZHANG, J. A remote sensing model to estimate ecosystem respiration in Northern China and the Tibetan Plateau. Ecological Modelling, Texas, v. 304, p. 34-43, 2015. Doi: 10.1016/j.ecolmodel.2015.03.001

HAO, Y.; WANG, Y.; MEI, X.; CUI, X. The response of ecosystem CO2 exchange to small precipitation pulses over a temperate steppe. Plant Ecology, v. 2, p. 335-347, 2010. Doi: 10.1007/S11258-010-9766-1

IBGE - INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Mapas cartográficos. IBGE, 2000. Disponível em: https://www.ibge.gov.br/geociencias/downloads-geociencias.html. Acesso em: 10 maio, 2023.

JÄGERMEYR, J.; GERTEN, D.; LUCHT, W.; HOSTERT, P.; MIGLIAVACCA, M.; NEMANI, R. A high-resolution approach to estimating ecosystem respiration at continental scales using operational satellite data. Global Change Biology, v. 20, n. 4, p. 1191-1210, 2014. Doi: 10.1111/gcb.12443

JESUS, J. B D.; KUPLICH, T. M.; BARRETO, Í. D. DE C.; GAMA, D. C. Dual polarimetric decomposition in Sentinel-1 images to estimate aboveground biomass of arboreal caatinga. Remote Sensing Applications: Society and Environment, v. 29, p. 1-10, 2023. Doi: 10.1016/J.RSASE.2022.100897

JIA, X.; MU, Y.; ZHA, T.; WANG, B.; QIN, S.; TIAN, Y. Seasonal and interannual variations in ecosystem respiration in relation to temperature, moisture, and productivity in a temperate semi-arid shrubland. Science of The Total Environment , v. 709, p. 136210, 2020. Doi: 10.1016/j.scitotenv.2019.136210

KIILL, L. H. P. Characterization of the vegetation of the Embrapa Semiarid legal reserve. 1. ed. Petrolina: Embrapa Semiárido, 2017. Disponível em: https://ainfo.cnptia.embrapa.br/digital/bitstream/item/172951/1/SDC281.pdf. Acesso em: 26 nov. 2023

LANDIS, J. R.; KOCH, G. G. The measurement of observer agreement for categorical data. Biometrics. Washington, p. 159 - 174, v. 33, n. 1, 1977. Doi: 10.2307/2529310

LEES, K. J.; QUAIFE, T.; ARTZ, R. R. E.; KHOMIK, M.; CLARK, J. M. Potential for using remote sensing to estimate carbon fluxes across northern peatlands - A review. Science of The Total Environment , Amsterdam, v. 615, p. 857-874, 2018. Doi: 10.1016/j.scitotenv.2017.09.103

LI, Q.; XIA, J.; SHI, Z.; HUANG, K.; DU, Z.; LIN, G.; LUO, Y. Variation of parameters in a Flux-Based Ecosystem Model across 12 sites of terrestrial ecosystems in the conterminous USA. Ecological Modelling , Texas, v. 336, p. 57-69, 2016. Doi: 10.1016/j.ecolmodel.2016.05.016

LIU, J. F.; CHEN, S. P.; HAN, X. G. Modeling gross primary production of two steps in Northern China using MODIS time series and climate data. Procedia Environmental Sciences, v. 13, p. 742-754, 2012. Doi: 10.1016/j.proenv.2012.01.068

LLOYD, J.; TAYLOR, J. A. On the Temperature Dependence of Soil Respiration. Functional Ecology, v. 8 n. 3, p. 315-323, 1994. Doi: 10.2307/2389824

MASELLI, F.; VACCARI, F. P.; CHIESI, M.; ROMANELLI, S.; D'ACQUI, L. P. Modeling and analyzing the water and carbon dynamics of Mediterranean macchia by the use of ground and remote sensing data. Ecological Modeling, v. 351, p. 1-13, 2017. Doi: 10.1016/j.ecolmodel.2017.02.012

MENDES, K. R.; CAMPOS, S.; MUTTI, P. R.; FERREIRA, R. R.; RAMOS, T. M.; MARQUES, T. V.; REIS, J. S.; VIEIRA, M. M.L.; SILVA, A. C. N.; MARQUES, A. M. S.; SILVA, D. T. C., SILVA, D. F.; OLIVEIRA, C. P.; GONÇALVES, W. A.; COSTA, G. B.; POMPELLI, M. F.; MARENCO, R. A; ANTONINO, A. C. D.; MENEZES, R. S. C.; SILVA, C. M. S. E. Assessment of SITE for CO2 and Energy Fluxes Simulations in a Seasonally Dry Tropical Forest (Caatinga Ecosystem). Forests, v. 12, p. 86, 2021. Doi: 10.3390/F12010086

MIRANDA, R. Q.; NÓBREGA, R. L. B.; MOURA, M. S. B.; RAGHAVAN, S.; GALVÍNCIO, J. D. Realistic and simplified models of plant and leaf area indices for a seasonally dry tropical forest. International Journal of Applied Earth Observation and Geoinformation, v. 85, p. 101992, 2020. Doi: 10.1016/j.jag.2019.101992

MORAIS, Y. C. Spatial and temporal variation of gross primary production in the caatinga biome. 2019. Tese (Doutorado em Desenvolvimento e Meio Ambiente). UFPE, 2019. Disponível em: https://repositorio.ufpe.br/handle/123456789/33940. Acesso em: 01 nov, 2019.

MOURA, M. S. B.; GALVÍNCIO, J. D. G.; BRITO, L. T. L.; SOUZA, L. S. B.; SÁ, I. I. S.; SILVA, T. G. F. Climate and rainwater in the Semi-Arid. In: BRITO, L.T. L.; MOURA, M. S. B.; GAMA, G.F.B (org.). Potentialities of rainwater in the Brazilian Semi-Arid. Petrolina: Embrapa Semi-Árido, 2007. Disponível em: https://www.alice.cnptia.embrapa.br/bitstream/doc/159649/1/OPB1515.pdf. Acesso em: 15 dez. 2022.

PEREIRA, M. P. S.; MENDES, K. R.; JUSTINO, F.; COUTO, F.; SILVA, A. S.; SILVA, D. F.; MALHADO, A. C. M. Brazilian Dry Forest (Caatinga) Response To Multiple ENSO: the role of Atlantic and Pacific Ocean. Science of The Total Environment , v. 705, p. 135717, 2020. Doi: 10.1016/j.scitotenv.2019.135717

PRAKASH, S. D.; SHANKAR, B.; RANJAN PARIDA, B. Machine learning approach to predict terrestrial gross primary productivity using topographical and remote sensing data. Ecological Informatics, v. 70, p. 101697, 2022. Doi: 10.1016/j.ecoinf.2022.101697

REICHSTEIN, M.; FALGE, E.; BALDOCCHI, D.; PAPALE, D.; AUBINET, M.; BERBIGIER, P.; BERNHOFER, C.; BUCHMANN, N.; GILMANOV, T.; GRANIER, A.; GRÜNWALD, T.; HAVRÁNKOVÁ, K.; ILVESNIEMI, H.; JANOUS, D.; KNOHL, A.; LAURILA, T.; LOHILA, A.; LOUSTAU, D.; MATTEUCCI, G.; VALENTINI, R. On the separation of net ecosystem exchange into assimilation and ecosystem respiration: review and improved algorithm. Global Change Biology , v. 9, n. 11, p. 1424-1439, 2005. Doi: 10.1111/J.1365-2486.2005.001002.X

SILVA, J. N. B.; GALVÍNCIO, J. D.; MIRANDA, R. D. Q.; MOURA, M. S. B. Temporal and spatial estimation of the performance of calibrated regression models for carbon fluxes in the Caatinga Seasonally Dry Tropical Forest area. Revista Da Casa Da Geografia de Sobral (RCGS), v. 26, n. 1, p. 183-206, 2024. Doi: 10.35701/rcgs.v26.975

SILVA, J. N. B.; GALVÍNCIO, J. D.; MIRANDA, R. D. Q.; MOURA, M.S.B. Models of Gross Primary Productivity in seasonally dry tropical forest areas, using reflectance data from caatinga vegetation. Brazilian Journal of Physical Geography, v. 14, p. 3775-3784, 2021. Doi: 10.26848/rbgf.v14.6.p3775-3784

SILVA, J. N. B.; SILVA, J. L. B.; SANTOS, A. M.; SILVA, A. C.; GALVÍNCIO, J. D. Vegetation Index as a Subsidy in the Identification of Areas With Potential for Desertification. Journal of Environmental Analysis and Progress, v. 4 n. 2, p. 358-367, 2017. Doi: 10.24221/jeap.2.4.2017.1469.358-367

SILVA, J. N. B; GALVÍNCIO, J. D.; SILVA, J. L. B; SOARES, G. A. S; SILVA, J. F. B. Analysis of the spatial distribution of carbon fluxes in the caatinga ecosystem. Brazilian Journal of Remote Sensing, v. 123, p. 115-123, 2024. Doi: 10.5281/zenodo.11332937

SILVA, P. F.; LIMA, J. R. S; ANTONINO, A. C. D; SOUZA, R.; SOUZA, E. S.; SILVA, J. R. I; ALVES, E. M. Seasonal patterns of carbon dioxide, water and energy fluxes over the Caatinga and grassland in the semi-arid region of Brazil. Journal of Arid Environments, v. 147, p. 71-82, 2017. Doi: 10.1016/j.jaridenv.2017.09.003

SILVA, J. N. B.; GALVÍNCIO, J. D.; SILVA, J. L. B.; SOARES, G. A. S.; TIBURCIO, I. M.; BARROS, J. P. F. G. Estimates of carbon sequestration by different methods in forest ecosystems: an approach to the seasonally dry tropical forest (Caatinga). Brazilian Journal of the Environment, v. 93, p. 75-93, 2024. Doi: 10.5281/zenodo.11267197

SUN, J.; ZHOU, T. C.; LIU, M.; CHEN, Y. C.; LIU, G. H.; XU, M.; SHI, P. L.; PENG, F.; TSUNEKAWA, A.; LIU, Y.; WANG, X. D.; DONG, S. K.; ZHANG, Y. J.; LI, Y. N. Water and heat availability are drivers of the aboveground plant carbon accumulation rate in alpine grasslands on the Tibetan Plateau. Global Ecology and Biogeography, v. 29, p. 50-64, 2020. Doi: 10.1111/geb.13006

TABARELLI, M.; LEAL, I. R.; SCARANO, F. R.; SILVA, J. M. C. Caatinga: legacy, trajectory and challenges towards sustainability. Science and Culture, n. 70, v. 4, p. 25-29, 2018. Doi: 10.21800/2317-66602018000400009

THE R FOUNDATION. A: The R Project for Statistical Computing. 2018. Disponível em: https://www.r-project.org/. Acesso em: 10 maio, 2023.

VAIDYA, S.; SCHMIDT, M.; RAKOWSKI, P.; BONK, N.; VERCH, G.; AUGUSTIN, J.; SOMMER, M.; HOFFMANN, M. A novel robotic chamber system allowing to accurately and precisely determine spatio-temporal CO2 flux dynamics of heterogeneous croplands. Agricultural and Forest Meteorology , v. 296, p. 108206, 2021. Doi: 10.1016/j.agrformet.2020.108206

WANG, L.; ZHU, H., LIN, A.; ZOU, L.; QIN, W.; DU, Q. Evaluation of the Latest MODIS GPP Products across Multiple Biomes Using Global Eddy Covariance Flux Data. Remote Sensing, n. 9 v. 5, 2017. Doi: 10.3390/rs9050418

WU, C.; GAUMONT-GUAY, D.; ANDREW BLACK, T.; JASSAL, R. S.; XU, S.; CHEN, J. M.; GONSAMO, A. Soil respiration mapped by exclusively use of MODIS data for forest landscapes of Saskatchewan, Canada. ISPRS Journal of Photogrammetry and Remote Sensing , v. 94, p. 80-90, 2014. Doi: 10.1016/j.isprsjprs.2014.04.018

XUE, Y.; LIANG, H.; ZHANG, H.; YIN, L.; FENG, X. Quantifying the policy-driven large scale vegetation restoration effects on evapotranspiration over drylands in China. Journal of Environmental Management, n. 345, p. 118723, 2023. Doi: 10.1016/j.jenvman.2023.118723

ZHANG, X.; ZHANG, F.; QI, Y.; DENG, L.; WANG, X.; YANG, S. New research methods for vegetation information extraction based on visible light remote sensing images from an unmanned aerial vehicle (UAV). International Journal of Applied Earth Observation and Geoinformation , v. 78, p. 215-226, 2019. Doi: 10.1016/J.JAG.2019.01.001

ZHOU, Y.; LI, X.; GAO, Y.; HE, M.; WANG, M.; WANG, Y.; ZHAO, L.; LI, Y. Carbon fluxes response of an artificial sand-binding vegetation system to rainfall variation during the growing season in the Tengger Desert. Journal of Environmental Management , v. 266, p. 110556, 2020. Doi: 10.1016/j.jenvman.2020.110556

Notes