São Paulo — InkDesign News — Pesquisadores desenvolvem um modelo de machine learning para detectar mudanças na cobertura florestal, utilizando inteligência artificial para monitorar e preservar ecossistemas com alta precisão.
Contexto da pesquisa
Pesquisadores da Charles Darwin University (CDU), em colaboração com a University of Sri Lanka, Friedrich-Alexander University (Alemanha), University of Peradeniya (Sri Lanka) e University of Otago (Nova Zelândia), desenvolveram um modelo baseado em inteligência artificial para identificar alterações na cobertura florestal. A pesquisa atende a uma necessidade urgente, pois a Organização das Nações Unidas reporta uma perda líquida de 100 milhões de hectares de florestas entre 2000 e 2022. Métodos tradicionais de monitoramento ambiental geralmente dependem de interpretações manuais, que são demoradas e suscetíveis a erros.
Método proposto
O modelo utiliza a arquitetura U-Net, uma rede neural convolucional originalmente aplicada em segmentação de imagens biomédicas, adaptada para processar imagens de satélite do Google Earth. A abordagem compara imagens antigas e atuais para detectar mudanças na vegetação. O modelo aplicou técnicas de aprendizado profundo (deep learning) e foi ajustado para funcionar com conjuntos de dados limitados, aumentando sua aplicabilidade em regiões com poucos dados rotulados. Essa adaptação é essencial para ampliar a precisão da detecção mesmo em ambientes com dados escassos.
Resultados e impacto
O modelo atingiu uma acurácia de 94,37% na detecção de mudanças de cobertura florestal utilizando o dataset principal. Em testes com conjuntos de dados adicionais, a precisão aumentou para 97,82% e 98,44%, respectivamente. A alta performance, combinada à menor necessidade de dados de treinamento, torna o método promissor para implementações reais em monitoramento ambiental.
“Métodos tradicionais para monitoramento da cobertura florestal frequentemente apresentam desafios em precisão e eficiência. Muitos dependem da interpretação manual, que é demorada e propensa a erros.”
(“Traditional methods for forest cover monitoring often struggle with accuracy and efficiency. Many rely on manual interpretation, which is time-consuming and prone to errors.”)— Bharanidharan Shanmugam, Professor Associado de Tecnologia da Informação, Charles Darwin University
“Ao utilizar técnicas de aprendizado profundo, nosso modelo permite a análise rápida de imagens de satélite, possibilitando que autoridades identifiquem áreas de alto risco e atuem antes que danos irreversíveis ocorram.”
(“By leveraging deep-learning techniques, our model enables rapid analysis of satellite images, allowing authorities to identify high-risk areas and respond to deforestation before irreversible damage occurs.”)— Bharanidharan Shanmugam, Professor Associado de Tecnologia da Informação, Charles Darwin University
“Isso torna o modelo altamente adaptável para uso em regiões onde dados de treinamento de alta qualidade podem não estar disponíveis.”
(“This makes it highly adaptable for use in regions where high-quality training datasets may not be available.”)— Thuseethan Selvarajah, Docente em Tecnologia da Informação, Charles Darwin University
A pesquisa contribui para o avanço das ferramentas de monitoramento ambiental, oferecendo suporte técnico para governos e organizações na proteção de florestas tropicais, boreais e áreas temperadas. O modelo pode ser integrado a estruturas existentes, promovendo a conservação e mitigando impactos do desmatamento, com impacto positivo no enfrentamento das mudanças climáticas e preservação da biodiversidade.
Fonte: (TechXplore – Machine Learning & AI)
