SUMMARY
A estimativa de biomassa, com base em dados de sensoriamento desempenha um importante papel a respeito da quantificação da matéria vegetal, tanto de florestas primárias quanto de florestas secundárias ou fragmentadas. Por isso, o objetivo central deste trabalho é mostrar a distribuição da biomassa vegetal e o fluxo de carbono na sub-bacia do rio Pirajibu em Sorocaba/SP. Como objetivo específico classificar os níveis de biomassa de acordo com o algoritmo de aprendizado de máquina Random Forest. As classes escolhidas para o treinamento foram: “Muito alta biomassa”, “alta biomassa”, “média biomassa”, “baixa biomassa” e "muito baixa biomassa”. Foram obtidas 100 amostras de treinamento. A classificação supervisionada foi realizada pelo método Random Forest, com 10 árvores de decisão e 5.000 de variáveis que foram selecionadas e treinadas. A classe muito alta biomassa foi encontrada em 4.833,34 ha (10,52%), a classe alta foi identificada em 8.425,94 ha (18,34%), a classe média biomassa em 12.026,28 ha (26,18%), a baixa biomassa em 11.881,05 ha (25,87%) e muito baixa biomassa em 8.753,80 ha (19,06%). Foi avaliada a acurácia da classificação, a previsão de acurácia total chegou em 84%. Para o índice CO2Flux, se obteve os valores de -0,43 para as áreas sem vegetação (área urbana), valores na faixa de 0,19 a 0,23 representam áreas de pastagem mais degradadas e com solo exposto, já os maiores valores de fluxo de CO2 > 0,32 mostram uma maior concentração de estoque de carbono, são regiões com vegetação robusta e saudável. A distribuição da biomassa para as classes muito alta, alta e média pode ser ainda maior considerando outros reservatórios de carbono, como os reservatórios abaixo do solo.Palavras-chave: biomassa, sensoriamento remoto, random forest, CO2Flux. Plant biomass distribution and carbon sequestration in the Pirajibu River sub-basin in the municipality of Sorocaba/SPA B S T R A C TBiomass estimation, based on sensing data, plays an important role regarding the quantification of plant matter, both from primary forests and from secondary or fragmented forests. Therefore, the main objective of this work is to show the distribution of plant biomass and carbon flux in the Pirajibu River sub-basin in Sorocaba/SP. As a specific objective to classify the biomass levels according to the Random Forest machine learning algorithm. The classes chosen for training were: “Very high biomass”, “high biomass”, “medium biomass”, “low biomass” and “very low biomass”. 100 training samples were obtained. The supervised classification was performed by the Random method Forest, with 10 decision trees and 5,000 variables that were selected and trained. The very high biomass class was found in 4,833.34 ha (10.52%), the high class was identified in 8,425.94 ha (18.34%), middle class biomass in 12,026.28 ha (26.18%), low biomass in 11,881.05 ha (25.87%) and very low biomass in 8,753.80 ha (19.06% The classification accuracy was evaluated, the total accuracy forecast reached 84%. For the CO2Flux index, values of -0.43 were obtained for areas without vegetation (urban area), values in the range of 0.19 at 0.23 represent more degraded pasture areas with exposed soil, whereas the higher values of CO2 flux > 0.32 show a higher concentration of carbon stock, they are regions with robust and healthy vegetation. The biomass distribution for the very high, high, and medium classes can be even greater considering other carbon pools, such as the underground pools.Keywords: biomass; remote sensing; random forest; CO2Flux.