Mapeamento por satélite com IA conta 5,25 bilhões de árvores em Ruanda e na Tanzânia

By Redação da Burstable•
Mapeamento por satélite com IA conta 5,25 bilhões de árvores em Ruanda e na Tanzânia

Pesquisadores desenvolveram uma estrutura de aprendizado profundo que combina imagens de satélite multissensor para estimar a abundância de árvores em nações inteiras, produzindo uma linha de base que pode transformar a forma como os governos planejam e monitoram os esforços de restauração de árvores. Aplicada a Ruanda e à Tanzânia, a estrutura contou aproximadamente 5,25 bilhões de árvores — cerca de 213 milhões em Ruanda e 5,04 bilhões na Tanzânia — e descobriu que apenas 48,8% dessas árvores estavam dentro da classe "cobertura arbórea" do WorldCover. Os 51,2% restantes ocorreram em arbustos, pastagens, terras agrícolas, áreas construídas, zonas úmidas, vegetação esparsa e manguezais.

O estudo, liderado pela Universidade de Copenhague, foi publicado (DOI: 10.34133/remotesensing.0970) em 18 de agosto de 2026, no Journal of Remote Sensing. A pesquisa aborda uma necessidade crescente: os compromissos globais de plantio de árvores aumentaram acentuadamente desde o Acordo de Paris, criando demanda por linhas de base confiáveis que mostrem quantas árvores já existem e onde elas ocorrem. Os inventários de campo são caros e espacialmente limitados, enquanto a aquisição repetida de imagens de satélite ou de VANTs com resolução submétrica é difícil de escalar. Os métodos de detecção de objetos também enfrentam dificuldades quando as copas se sobrepõem, ocupam frações de pixels ou não têm limites claros.

A estrutura utiliza imagens PlanetScope, Sentinel-1 e Sentinel-2, analisando recortes de imagem de 96 × 96 metros a partir de um composto de 20 bandas reamostrado para uma grade comum de 3 metros. Uma arquitetura híbrida UNet-ResNet50 prevê um valor de contagem de árvores por recorte, estimando o número de árvores a partir de padrões espaciais, espectrais e texturais, em vez de detectar cada copa individualmente. Nas comparações, a UNet-R50 alcançou um erro absoluto médio de 17,32 e um r² de 0,73, superando ResNet50, ResNeXt50, SwinT e ViT. Testes de ablação de sensores mostraram que Sentinel-1 mais Sentinel-2 atingiram um MAE de 18,42 e r² de 0,77, comparável ao composto de três sensores com 18,8 e 0,77, respectivamente.

O treinamento utilizou cerca de 12 milhões de centros de copas de árvores de paisagens diversas, com rótulos montados a partir de interpretação manual de imagens submétricas e extração semiautomatizada de modelos de altura de dossel LiDAR aerotransportado e de VANT. As previsões nacionais foram corrigidas para viés usando medições independentes do Inventário Florestal Nacional com calibração bootstrap específica por país e cobertura do solo. As estimativas finais indicaram densidades medianas de 37 árvores por hectare em Ruanda e 42 na Tanzânia.

Os pesquisadores enfatizaram o valor prático da estrutura, observando que ela "pode orientar o planejamento e a otimização da alocação de recursos para esforços de restauração de árvores em escalas nacionais". Eles argumentam que linhas de base repetíveis baseadas em satélite podem ajudar os governos a acompanhar os resultados da restauração, identificar áreas adequadas para plantio e contabilizar melhor as árvores que crescem além dos limites florestais convencionais. A abordagem também evita a dependência de limites explícitos de copas, permitindo que o número de árvores seja inferido mesmo quando copas individuais não são totalmente resolvidas na resolução de pixel de 3 metros.

Trabalhos futuros devem melhorar o desempenho em florestas densas de dossel fechado, onde a sobreposição de copas e a saturação do sinal reduzem a sensibilidade, e incorporar plantas lenhosas de sub-bosque ou menores. Os autores propõem integrar inventários florestais e dados de altíssima resolução, enquanto exploram fusão de sensores baseada em atenção, adaptação de domínio e aprendizado por transferência para estender a abordagem a novas regiões, ecossistemas e sensores de satélite em escalas maiores. O estudo completo está disponível em https://spj.science.org/doi/10.34133/remotesensing.0970.

Redação da Burstable

Redação da Burstable

@estouro

O Burstable News™ é uma solução hospedada projetada para ajudar empresas a construir audiência e aprimorar suas estratégias de press release para AIO e SEO, fornecendo automaticamente conteúdo de notícias corporativas atualizado, exclusivo e alinhado à marca.

A plataforma elimina a complexidade de engenharia, manutenção e criação de conteúdo, oferecendo uma implementação fácil — sem necessidade de desenvolvedores — que funciona em qualquer site.

O serviço concentra-se em aumentar a autoridade do site com matérias alinhadas ao setor, garantidamente exclusivas e em conformidade com as diretrizes E-E-A-T do Google, para manter seu site dinâmico e envolvente.