Um novo estudo publicado no Journal of Remote Sensing demonstra um avanço significativo na monitorização de ecossistemas de zonas húmidas através de uma estrutura de aprendizagem conjunta adaptativa que combina dados hiperspectrais e LiDAR recolhidos por veículos aéreos não tripulados (VANTs). A investigação, realizada na Zona Húmida Cársica de Huixian, na China, alcançou até 92,77% de precisão na classificação de espécies vegetais, superando substancialmente as abordagens tradicionais de deteção remota e oferecendo novas capacidades para a conservação da biodiversidade e monitorização do ciclo do carbono.
As zonas húmidas cársicas representam ecossistemas globalmente significativos que regulam os recursos hídricos, armazenam carbono e suportam uma rica biodiversidade. No entanto, o mapeamento preciso da vegetação nestes ambientes tem sido desafiador devido à composição intrincada de espécies e aos espectros de copa semelhantes entre diferentes plantas. Os levantamentos de campo tradicionais são dispendiosos e espacialmente limitados, enquanto os métodos convencionais de deteção remota carecem da resolução necessária para a classificação ao nível das espécies. A integração de dados óticos e estruturais complementares emergiu como uma abordagem necessária para o mapeamento preciso da vegetação nestes ambientes complexos.
Investigadores da Universidade de Tecnologia de Guilin e colaboradores desenvolveram uma estrutura de empilhamento de aprendizagem conjunta adaptativa (AEL-Stacking) que combina imagens hiperspectrais com dados de nuvem de pontos LiDAR. O estudo, publicado com o DOI 10.34133/remotesensing.0452, demonstra como esta abordagem integrada alcança uma precisão de classificação superior, proporcionando simultaneamente interpretabilidade através de explicações locais interpretáveis independentes do modelo (LIME). A estrutura combina classificadores Random Forest, LightGBM e CatBoost dentro de um sistema adaptativo otimizado por pesquisa em grelha que utiliza 70% dos dados para treino e 30% para teste, suportado por validação cruzada de 10 dobras.
A equipa de investigação realizou levantamentos de campo na Zona Húmida Cársica de Huixian, onde voos de VANTs equipados com sensores Headwall Nano-Hyperspec e DJI Zenmuse L1 LiDAR recolheram mais de 4.500 imagens hiperspectrais e nuvens de pontos densas a 208 pontos por metro quadrado. O conjunto de dados integrado abrangeu 13 tipos de vegetação, incluindo lótus, miscanthus e árvores de cânfora. Através de eliminação recursiva de características e análise de correlação, os investigadores selecionaram 40 características ótimas de mais de 600 variáveis, sendo que as variáveis do modelo digital de superfície (MDS) derivadas do LiDAR provaram ser particularmente valiosas para distinguir espécies com estruturas verticais distintas.
Os resultados mostraram que a combinação de dados hiperspectrais e LiDAR alcançou uma precisão global entre 87,91% e 92,77%, superando as abordagens de dados únicos em até 9,5%. O modelo AEL-Stacking superou tanto os métodos conjuntos convencionais como os algoritmos de aprendizagem profunda em 0,96% a 7,58%. Índices de vegetação hiperspectral, como o NDVI e parâmetros da borda azul, melhoraram o reconhecimento de espécies herbáceas, enquanto a análise LIME revelou que as bandas espectrais azuis e o MDS foram as características mais influentes. O lótus e o miscanthus alcançaram pontuações F1 de classificação acima de 0,9, com o modelo a reduzir significativamente a má classificação entre espécies morfologicamente semelhantes.
"A nossa abordagem preenche a lacuna entre a deteção espectral e estrutural," afirmou o Dr. Bolin Fu, autor correspondente do estudo. "Ao combinar dados hiperspectrais e LiDAR de VANTs através de aprendizagem conjunta adaptativa, alcançámos tanto precisão como interpretabilidade no mapeamento da vegetação. A estrutura não só melhora o reconhecimento de espécies em ambientes cársicos complexos, como também fornece uma ferramenta generalizável para a monitorização ecológica e restauração de habitats em todo o mundo."
A investigação demonstra uma abordagem escalável e explicável para o mapeamento de alta resolução de zonas húmidas que poderá potencialmente ser aplicada a ecossistemas florestais, de pastagem e costeiros. Trabalhos futuros focar-se-ão na integração de observações multi-temporais de VANTs e na fusão de dados de satélite para monitorizar a dinâmica sazonal da vegetação e alterações induzidas pelo clima na saúde das zonas húmidas. Ao melhorar a transparência e precisão dos modelos ecológicos baseados em IA, esta investigação apoia os esforços globais de conservação da biodiversidade e iniciativas de neutralidade carbónica, fornecendo simultaneamente mapas de vegetação detalhados essenciais para a monitorização de ecossistemas e planeamento de restauração.
