Pesquisadores desenvolveram um modelo avançado de inteligência artificial que produz mapas de altura de copas de alta resolução usando apenas imagens RGB padrão, alcançando precisão quase equivalente ao LiDAR para monitoramento preciso da biomassa florestal e armazenamento de carbono em grandes áreas. Esta inovação atende à necessidade crítica de monitoramento florestal econômico, já que florestas e plantações desempenham um papel vital no sequestro de carbono, enquanto métodos tradicionais permanecem caros e intensivos em mão de obra.
A equipe de pesquisa conjunta da Universidade Florestal de Pequim, da Manchester Metropolitan University e da Universidade Tsinghua publicou suas descobertas no Journal of Remote Sensing em 20 de outubro de 2025. Seu estudo introduz uma estrutura inovadora que combina grandes modelos de visão de base com aprendizado autossupervisionado para fornecer precisão submétrica na estimativa de alturas de árvores a partir de imagens de satélite RGB. A pesquisa aborda o problema de longa data de equilibrar custo, precisão e escalabilidade no monitoramento florestal, oferecendo uma ferramenta promissora para gerenciar plantações e rastrear o sequestro de carbono sob iniciativas como o programa de Redução Certificada de Emissões da China.
Monitorar a estrutura do dossel florestal é essencial para entender os ciclos globais de carbono, avaliar o crescimento das árvores e gerenciar recursos de plantações. Sistemas LiDAR tradicionais fornecem dados precisos de altura, mas são limitados por altos custos e complexidade técnica, enquanto o sensoriamento remoto óptico frequentemente carece da precisão estrutural necessária para plantações em pequena escala. O novo modelo de visão baseado em IA preenche essa lacuna ao alcançar um erro absoluto médio de apenas 0,09 metros e um R² de 0,78 quando comparado com medições LiDAR aéreas, superando métodos tradicionais baseados em CNN e transformadores.
A arquitetura do modelo consiste em três módulos: um extrator de características alimentado pelo grande modelo de visão de base DINOv2, uma unidade de aprimoramento de características autossupervisionada para reter detalhes espaciais finos e um estimador de altura convolucional leve. Essa abordagem permitiu mais de 90% de precisão na detecção de árvores individuais e fortes correlações com a biomassa acima do solo medida. O modelo demonstrou forte generalização entre tipos florestais, tornando-o adequado tanto para contabilidade de carbono em escala regional quanto nacional.
Testes no Distrito de Fangshan, em Pequim, uma área com plantações fragmentadas compostas principalmente por Populus tomentosa, Pinus tabulaeformis e Ginkgo biloba, mostraram que o modelo de IA produziu mapas de altura de copas que correspondiam de perto aos dados de referência terrestre. Usando imagens do Google Earth com resolução de um metro e referências derivadas de LiDAR, o modelo superou significativamente os produtos globais de modelos de altura de copas, capturando variações sutis na estrutura das copas das árvores que os modelos existentes frequentemente ignoravam. Os mapas gerados apoiaram a segmentação de árvores individuais e a estimativa de biomassa em nível de plantação com valores R² superiores a 0,9 para espécies-chave.
Quando aplicado a uma floresta geograficamente distinta em Saihanba, a rede manteve robusta precisão, confirmando sua adaptabilidade entre regiões. A capacidade de reconstruir tendências anuais de crescimento a partir de imagens de satélite arquivadas fornece uma solução escalável para monitoramento de longo prazo de sumidouros de carbono e gestão florestal de precisão. A metodologia de pesquisa empregou uma estrutura de aprendizado profundo de ponta a ponta combinando características de grandes modelos de visão de base pré-treinados com um processo de aprimoramento autossupervisionado, usando imagens de alta resolução do Google Earth de 2013–2020 como entrada e dados LiDAR baseados em UAV como referência para treinamento e validação.
Dr. Xin Zhang, autor correspondente na Manchester Metropolitan University, afirmou que seu modelo demonstra que grandes modelos de visão de base podem transformar fundamentalmente o monitoramento florestal. Ao combinar pré-treinamento global de imagens com aprimoramento local autossupervisionado, a equipe alcançou precisão de nível LiDAR usando imagens RGB comuns, reduzindo drasticamente os custos e expandindo o acesso a dados florestais precisos para contabilidade de carbono e gestão ambiental.
A estrutura de mapeamento baseada em IA oferece uma abordagem poderosa e acessível para rastrear o crescimento florestal, otimizar o gerenciamento de plantações e verificar créditos de carbono. Sua adaptabilidade entre ecossistemas a torna adequada para programas globais de monitoramento de florestamento e reflorestamento. Conforme detalhado no estudo publicado em https://spj.science.org/doi/10.34133/remotesensing.0880, esta inovação pode desempenhar um papel central no alcance da silvicultura sustentável e mitigação das mudanças climáticas à medida que o mundo avança em direção às metas de emissões líquidas zero. Pesquisas futuras estenderão este método a florestas naturais e mistas, integrarão classificação automática de espécies e apoiarão plataformas de monitoramento de carbono em tempo real.
