Um aluno de doutorado da EPFL desenvolveu métodos para mapear florestas de forma mais eficaz usando sensoriamento remoto aéreo, em apoio a inventários florestais no local.

As florestas são um componente essencial dos ecossistemas mundiais e um indicador chave da saúde do nosso planeta. Eles fornecem recursos valiosos - como madeira para construção e aquecimento - e filtram a água da chuva, proteger contra erosão e avalanches, e pode ser usado para inúmeras atividades de lazer. Por essas e outras razões, é importante monitorar seu desenvolvimento por meio de inventários florestais regulares. Inventários no local, além de estar sujeito à subjetividade dos observadores, são caros e trabalhosos e só podem ser feitos em regiões de fácil acesso. Como resultado, eles não são realizados com muita frequência, e apenas em áreas limitadas. Na Suíça, por exemplo, o inventário nacional foi atualizado apenas a cada dez anos ou mais desde 1985.

O sensoriamento remoto aéreo pode ser um bom complemento para o monitoramento no solo. É mais objetivo e menos caro, e pode cobrir uma área maior. Duas técnicas são usadas atualmente:varredura a laser aerotransportada, que determina a estrutura tridimensional da floresta, e imagem hiperespectral, que identifica a cor precisa da copa das árvores, mesmo além do espectro de luz visível. Os cientistas sabem como coletar esses dois tipos de dados, mas extrair as informações necessárias para monitorar e gerenciar florestas é mais complicado.

"Cortando" 5, 000 árvores à mão

Para seu Ph.D. tese, Matthew Parkan, do Laboratório de Sistemas de Informação Geográfica da EPFL, desenvolveu uma série de algoritmos capazes de determinar automaticamente certos parâmetros de inventário - como localização do tronco, diâmetro e espécies estimados - em grandes áreas. Esses algoritmos podem ser usados, por exemplo, para criar um mapa detalhado de uma área em preparação para a marcação da árvore (antes do corte), monitorar de perto o desenvolvimento de árvores individuais e identificar habitats mais adequados para certas espécies animais.

Para calibrar e validar seus algoritmos, Parkan teve que construir um conjunto de dados de referência, extraindo manualmente mais de 5, 000 árvores de uma nuvem de pontos 3-D. Por esta, ele criou uma caixa de ferramentas florestais digital para facilitar a extração manual de árvores e a identificação visual das espécies de árvores. Isso permitiu que ele verificasse se os algoritmos podiam detectar com segurança a localização e a forma das árvores, e calibrar seus modelos de classificação para nove espécies de árvores comumente encontradas nas florestas suíças.

Um complemento, não um substituto

"Meu objetivo era desenvolver métodos e ferramentas que possam complementar os inventários no local, em vez de substituí-los, "diz Parkan. Os inventários no local ainda são essenciais para calibrar modelos, validar resultados e identificar características sutis - como a madeira morta no chão, árvores do habitat e a saúde detalhada das árvores - que não podem ser detectadas pela maioria das técnicas aéreas de sensoriamento remoto atualmente disponíveis. Uma vez que as árvores são organismos complexos, cuja forma e estrutura espacial variam enormemente dentro de uma floresta, é muito difícil detectar automaticamente todas as suas características. "Por enquanto, nenhum algoritmo pode fornecer um conjunto de resultados totalmente confiável, "diz Parkan." Dito isso, enorme progresso será feito nos próximos anos, à medida que mais e mais dados de altíssima resolução se tornem disponíveis e desenvolvamos algoritmos que funcionam quase tão bem quanto o cérebro humano. "