Matocompetição: como a IA auxilia na restauração da Mata Atlântica

Área de desmatamento da Mata Atlântica no Paraná. Foto foi feita em sobrevoo da Fundação SOS Mata Atlântica em 2023. SOS MATA ATLÂNTICA/DIVULGAÇÃO Restaurar uma floresta não termina quando as primeiras árvores são plantadas.

Depois do plantio, começa uma etapa igualmente importante: acompanhar como a vegetação se desenvolve e como as espécies ocupam o espaço ao longo do tempo. Em uma área em restauração, essa tarefa pode ser especialmente complexa. Espécies desejáveis e indesejáveis crescem lado a lado, com variações de altura, tamanho, densidade e características visuais próprias, convivendo numa espécie de disputa por recursos vitais como água, luz, nutrientes e espaço conhecido na agronomia como matocompetição.

Identificar e mapear essa vegetação em grandes áreas exige tempo, recurso e muito trabalho de campo. Mas e se fosse possível observar toda essa área a partir do céu e utilizar inteligência artificial para auxiliar no reconhecimento das espécies que compõem aquele ambiente em um determinado momento?

Agora no g1 É essa possibilidade que nós, dos institutos de Agronomia e de Florestas e dos grupos de pesquisa Plantas Daninhas e Pesticidas no Ambiente e Restauração Florestal, da Universidade Federal Rural do Rio de Janeiro (UFRRJ), estamos investigando. Nosso trabalho é realizado em uma área de restauração da Mata Atlântica na Reserva Ecológica de Guapiaçu (Regua), em Cachoeiras de Macacu, no Rio de Janeiro.

Para concretizá-lo, recebemos financiamento da Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do Rio de Janeiro (Faperj). Restauração florestal do bioma Mata Atlântica A Mata Atlântica é um dos biomas brasileiros mais importantes para a conservação da biodiversidade, mas passou por um longo processo de fragmentação e perda de cobertura florestal. Atualmente, restaurar essa vegetação é uma tarefa de escala nacional.

O Plano Nacional de Recuperação da Vegetação Nativa (Planaveg) tem como meta recuperar pelo menos 12 milhões de hectares até 2030. Já o pacto pela restauração do bioma prevê 15 milhões de hectares até 2050. Esse é um desafio que precisa ser enfrentado em grandes áreas e por longos períodos, o que cria uma pergunta importante.

Como acompanhar, de forma eficiente, quais espécies invasoras estão presentes nas áreas de restauração? E mais, como se distribuem pelo espaço e como essa composição muda ao longo do crescimento das espécies nativas? Tradicionalmente, esse acompanhamento depende de visitas a campo, percorrendo a área para identificar espécies e registrar informações sobre a vegetação.

Esse trabalho continua indispensável, mas, à medida que as áreas de restauração aumentam, também cresce o desafio de obter informações detalhadas sobre toda a sua extensão. A presença de espécies gramíneas exóticas, a depender da porcentagem de infestação, pode ainda prejudicar o atendimento de normas de órgãos ambientais, como o Instituto Estadual do Ambiente (INEA), no Rio de Janeiro. É nesse ponto que os drones podem mudar a forma como observamos uma área em restauração.

Uma área em restauração vista do alto Veículos Aéreos Não Tripulados (VANTs), também conhecidos como drones, permitem obter imagens de áreas extensas com elevada resolução espacial. Eles registram não apenas as cores que enxergamos, mas também diferentes faixas da radiação eletromagnética. Sensores multiespectrais revelam diferenças entre plantas que parecem semelhantes aos nossos olhos.

E isso permite calcular índices de vegetação e extrair características de textura, forma, estrutura e altura das plantas. Com isso, criamos uma quantidade enorme de informações sobre uma área de restauração. O problema é que alguém precisa interpretar todos esses dados.

E é justamente aí que entra a inteligência artificial. Uruçu-capixaba é exclusiva das áreas montanhosas da Mata Atlântica, no Espírito Santo TV Gazeta Como computadores reconhecem plantas Algoritmos de aprendizado de máquina aprendem padrões a partir de exemplos previamente identificados. Em nosso estudo, informações obtidas em campo foram usadas como referência para ensinar os modelos a reconhecer diferentes classes de vegetação nas imagens do drone.

Um experimento foi realizado em maio de 2024, na Reserva Ecológica de Guapiaçu. O objetivo foi testar estratégias de manejo de plantas daninhas, avaliar a infestação e identificar os indivíduos vegetais. Para isso, usamos ferramentas digitais e inteligência artificial.

Um drone com sensor multiespectral sobrevoou a área de estudo, de aproximadamente 1,5 ha, a 40 metros de altitude. E obteve imagens com resolução espacial de cerca de 1,3 centímetro por pixel — detalhe suficiente para observar a vegetação em escala muito fina. Para ensinar os modelos a diferenciar as espécies e classes temáticas, foram combinadas informações espectrais, de textura e de estrutura da vegetação, como índices de vegetação, medidas de brilho e altura da vegetação.

É como ensinar o computador a reconhecer uma espécie não por uma única característica, mas por uma combinação delas. Depois de treinado, o modelo pode analisar novas áreas e atribuir classes aos objetos encontrados na imagem. Quando a inteligência artificial começa a reconhecer a floresta Para descobrir qual abordagem funcionava melhor, foram avaliados diferentes algoritmos de aprendizado de máquina.

O resultado mais promissor veio do Random Forest, que alcançou 90,6% de acurácia global. O resultado é relevante porque o algoritmo não precisou separar apenas categorias amplas, como "vegetação” e “solo”. Mas trabalhou com classes reais de uma área em restauração, incluindo espécies florestais e espécies em regeneração, como Vernonanthura polyanthes e Chromolaena maximilianii, além de Urochloa humidicola, planta daninha de interesse para o monitoramento.

Complexidade das plantas No entanto, a inteligência artificial não funciona como uma identificação perfeita e automática. Os erros de classificação mostram que algumas classes são mais difíceis de distinguir do que outras. No caso de Urochloa humidicola, cinco das 30 amostras reais não foram identificadas corretamente.

Parte delas foi confundida com espécies florestais ou áreas de sombra. Isso revela uma das principais dificuldades do reconhecimento automático em áreas de restauração: a vegetação é heterogênea. Duas classes podem apresentar respostas espectrais semelhantes.

Enquanto uma mesma espécie pode variar conforme seu estágio de desenvolvimento, iluminação, estrutura ou interação com a vegetação ao redor. Para a ciência, essas confusões também são informações importantes. Mostram onde os modelos ainda precisam ser aprimorados.

No Paraná, reflorestamento da Mata Atlântica ganha reforço humano e tecnológico Jornal Nacional Da imagem ao mapa Mas identificar uma espécie é apenas parte do desafio: para o monitoramento, ainda mais importante é saber onde ela está. Ao transformar a classificação das imagens em mapas, é possível visualizar a distribuição espacial das diferentes classes dentro da área. Em vez de uma lista de espécies encontrada em campo, obtemos uma representação espacial de sua ocorrência em uma área muito maior.

Isso permite observar concentrações, identificar padrões de distribuição e acompanhar mudanças ao longo do tempo. No caso de Urochloa humidicola, um mapa de distribuição pode indicar regiões que merecem maior atenção durante o acompanhamento. O mesmo princípio se aplica às demais classes: o mapa funciona como uma fotografia espacial da vegetação naquele momento.

E, se o levantamento for repetido, diferentes mapas podem ser comparados para observar como essa composição muda. Assim, a inteligência artificial deixa de ser apenas uma ferramenta de classificação e passa a produzir informação espacial que apoia o monitoramento da restauração. Uma nova forma de acompanhar a restauração A utilização de drones e inteligência artificial não substitui o trabalho de campo, mas pode complementá-lo.

Os levantamentos em campo treinam e validam os modelos. Os drones observam grandes áreas com elevado nível de detalhe. E os algoritmos processam informações difíceis de analisar de forma manual.

Com levantamentos periódicos, seria possível comparar diferentes momentos e acompanhar mudanças na distribuição das espécies e na evolução da vegetação ao longo dos anos. Essa integração entre trabalho de campo, sensoriamento remoto e inteligência artificial pode tornar o monitoramento de áreas em restauração mais rápido, detalhado e repetível. Tecnologia a serviço da recuperação das florestas A restauração da Mata Atlântica é um desafio que envolve conservação, planejamento e acompanhamento de longo prazo.

Nesse contexto, novas tecnologias podem oferecer uma contribuição importante: permitir que pesquisadores enxerguem a vegetação em uma escala espacial e temporal difícil de alcançar apenas com levantamentos tradicionais. O objetivo da pesquisa não é apenas desenvolver um modelo digital capaz de reconhecer espécies nessas áreas complexas, mas transformar imagens em conhecimento e conhecimento em mapas que ajudem a acompanhar a recuperação de uma floresta.

Se a restauração ecológica é uma tentativa de reconstruir os ecossistemas que perdemos, drones e inteligência artificial podem ajudar a responder uma pergunta fundamental. Como saber, com maior precisão, se a floresta que tentamos recuperar está livre de espécies prejudiciais e realmente tomando forma? **Este projeto contou também com pesquisadores parceiros do Consejo Superior de Investigaciones Científicas (CSIC), na Espanha.

*Os autores não prestam consultoria, trabalham, possuem ações ou recebem financiamento de qualquer empresa ou organização que se beneficiaria deste artigo e não revelaram qualquer vínculo relevante além de seus cargos acadêmicos.