Modelagem Computacional da Concentração Atmosférica de CO2 e CH4 no Brasil Central

Abstract

As mudanças climáticas são uma preocupação mundial, sendo a principal causa o aumento da concentração de gases de efeito estufa (GEE) na atmosfera, especialmente o dióxido de carbono (CO2) e o metano (CH4). Visando sua mitigação, é fundamental compreender a dinâmica desses gases na atmosfera e estabelecer relações com outras variáveis associadas ao sistema solo-planta atmosfera. Nesse sentido, o objetivo deste trabalho foi descrever a variabilidade espaço-temporal das concentrações atmosféricas de CO2 e CH4 nos municípios do Brasil Central, ao longo dos anos de 2015 a 2023, bem como suas relações com índices vegetativos e climáticos. Foram adquiridos dados das concentrações atmosféricas de CO2 (XCO2), Fluorescência da Clorofila Induzida pelo Sol (SIF) e CH4 (XCH4), variáveis climáticas e vegetativas, informações sobre desmatamento e queimadas e dados dos setores emissores de GEE. Sistematizou-se essa aquisição para redução das diferenças entre as resoluções espaciais dos dados de sensoriamento remoto, com posterior remoção da tendência mundial de XCO2 e XCH4 e cálculo da anomalia. Para exploração dos dados, foram utilizadas técnicas exploratórias multivariadas e análise geoestatística, em linguagem R. A interrelação entre as variáveis foi descrita por meio de reconhecimento de padrão, que incluíram análises de correlação, de agrupamento hierárquico e análise de componentes principais. Como resultados, foram gerados os mapas de anomalias, observando-se áreas atuando tanto como fontes líquidas de emissão, quanto remoção líquida de CO2 e CH4. Os valores de anomalia obtidos para CO2 e CH4 foram em ordem e respectivamente de 6 ppm e 30 ppb enquanto para remoção, de -2,50 ppm e -20 ppb, médias no período estudado. Para a anomalia de XCO2 observou-se maiores correlações com a anomalia de XCH4 a partir do ano de 2020, possivelmente causada pela intensificação dos desmatamentos e queimadas. Enquanto para a anomalia de CH4, foram obtidas maiores correlações com o desmatamento e a queimada, velocidade do vento, radiação solar e Índice de Área Foliar (LAI). Os valores de correlação obtidos para a anomalia de XCH4 (r ~ 0,30) sugerem que as variáveis vegetativas (r ~ 0,30) e climáticas (r ~ ±0,40), o desmatamento (r = 0,26) e as queimadas (r = 0,28) são relevantes na explicação da variabilidade de XCH4. Desse modo, as técnicas geoestatisticas descreveram a variabilidade espaço temporal da dinâmica de GEE no Brasil central, sendo o melhor modelo ajustado, o exponencial, para XCO2 e XCH4. Os alcances dos semivariogramas de XCO2 e SIF, foram próximos de 39 km, indicando uma dependência espacial relevante dessas variáveis. A abordagem aprimora a compreensão da dinâmica dos GEE e suas interações com variáveis climáticas e de uso da terra no Brasil Central, fornecendo subsídio para políticas públicas de mitigação das emissões, contribuindo para estratégias de mitigação das mudanças climáticas.

Climate change is a global concern, being the main cause of the increased concentration of greenhouse gases (GHG) in the atmosphere, especially carbon dioxide (CO2) and methane (CH4). To mitigate this, it is fundamental to understand the dynamics of these gases in the atmosphere and establish relationships with other variables associated with the soil-plant-atmosphere system. In this sense, the objective of this work was to describe the spatiotemporal variability of atmospheric concentrations of CO2 and CH4 in municipalities of Central Brazil, throughout the years 2015 to 2023, as well as their relationships with vegetative and climatic indices. Data on atmospheric concentrations of CO2 (XCO2), Sun-Induced Chlorophyll Fluorescence (SIF) and CH4 (XCH4), climatic and vegetative variations, information on deforestation and wildfires, and data from GHG emitting sectors were acquired. This acquisition was systematized to reduce differences between the spatial resolutions of remote sensing data, with subsequent removal of the global trend of XCO2 and XCH4 and calculation of the anomaly. For data exploration, multivariate exploratory techniques and geostatistical analysis were used in R. The interrelationship between variables was described through pattern recognition, which included visualization analyses, hierarchical clustering, and principal component analysis. As a result, anomaly maps were generated, observing existing areas both as net sources of emission and net removal of CO2 and CH4. The anomaly values detected for CO2 and CH4 were, respectively, 6 ppm and 30 ppb, while for removal, they were -2.50 ppm and -20 ppb, averages over the tested period. For the XCO2 anomaly, the highest correlations with the XCH4 anomaly were observed from the year 2020 onwards, possibly caused by the intensification of deforestation and fires. While for the XCH4 anomaly, there were stronger correlations with deforestation and burning, wind speed, solar radiation, and Leaf Area Index (LAI). The evidence values obtained for the XCH4 anomaly (r ~ 0.30) suggest that vegetative (r ~ 0.30) and climatic (r ~ ±0.40) variables, deforestation (r = 0.26), and burning (r = 0.28) are relevant in explaining the variability of XCH4. Thus, geostatistical techniques described the spatiotemporal variability of GHG dynamics in central Brazil, with the exponential model being the best fitted for XCO2 and XCH4. The ranges of the semivariograms of XCO2 and SIF were close to 39 km, showing a relevant spatial dependence of these variables. The approach, which enhances the understanding of GHG dynamics and their interactions with climatic and land-use variables in Central Brazil, provides input for public policies on emission mitigation, contributing to climate change mitigation strategies.