Abordagem de fusão de dados de sensoriamento remoto para monitorar a degradação florestal: um novo estudo

Diante das mudanças climáticas globais e do aumento das atividades humanas, as florestas em todo o mundo estão ameaçadas por diversas pragas, patógenos e doenças. Essas ameaças comprometem a saúde, a resiliência e a produtividade tanto das florestas naturais quanto das plantações florestais.

Gerenciar esses problemas de forma eficaz exige detecção e ação precoces, o que é um desafio em grandes áreas. Reconhecendo a importância disso, pesquisadores desenvolveram novas tecnologias baseadas em dados de observação da Terra para monitorar e gerenciar a degradação florestal.

Um estudo recente apresenta uma abordagem baseada em aprendizado de máquina para identificar florestas danificadas usando imagens de sensoriamento remoto de código aberto do Sentinel-2, complementadas por dados do Google Earth. Essa abordagem se concentra especificamente em florestas boreais afetadas pelo besouro da casca, Polygraphus proximus Blandford.

O estudo utilizou uma combinação de imagens de sensoriamento remoto e algoritmos de aprendizado de máquina para detectar e avaliar danos florestais. Segue um breve resumo da metodologia e das conclusões:

• Anotação de imagens e desenvolvimento de algoritmos: Os pesquisadores começaram anotando imagens em canais que correspondem à percepção natural de cores (vermelho, verde e azul) disponíveis no Google Earth. Em seguida, aplicaram redes neurais profundas em duas formulações de problemas: segmentação semântica e detecção.
• Resultados experimentais: Por meio de seus experimentos, os pesquisadores desenvolveram um modelo que avalia quantitativamente as mudanças em objetos-alvo com alta precisão. O modelo alcançou uma pontuação F1 de 84,56%, determinando com eficácia o número de árvores danificadas e estimando as áreas ocupadas por povoamentos secos.
• Integração com imagens Sentinel-2: As máscaras de danos obtidas a partir de imagens de alta resolução foram integradas com imagens Sentinel-2 de resolução média. Essa integração alcançou uma precisão de 81,26%, tornando a solução adequada para sistemas de monitoramento operacional. Esse avanço oferece um método rápido e econômico para o reconhecimento de florestas danificadas na região.
• Conjunto de dados anotado exclusivo: Além disso, os pesquisadores compilaram um conjunto de dados anotados exclusivo para identificar áreas florestais danificadas pelo besouro polígrafo na região de estudo. Esse conjunto de dados é inestimável para futuras pesquisas e esforços de monitoramento.

A detecção precoce e a quantificação da degradação florestal por meio dessa abordagem de fusão de dados de sensoriamento remoto representam uma promessa significativa para o manejo florestal e as estratégias de conservação. Ao possibilitar ações oportunas, essas tecnologias podem ajudar a limitar a propagação dos danos e apoiar práticas de manejo florestal sustentável.

Embora o artigo completo detalhando esta pesquisa ainda não tenha sido publicado, este resumo preliminar destaca o potencial da integração de dados de sensoriamento remoto com técnicas avançadas de aprendizado de máquina para abordar a questão premente da degradação florestal. À medida que essas tecnologias continuam a evoluir, elas desempenharão um papel crucial na proteção de nossas florestas contra as crescentes ameaças representadas pelas mudanças climáticas e pelas atividades humanas.

Fiquem atentos à publicação completa desta pesquisa inovadora, que sem dúvida proporcionará mais informações e aplicações na área de gestão florestal.

Fonte: https://www.frontiersin.org/journals/environmental-science/articles/10.3389/fenvs.2024.1412870/abstract