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 área a partir do céu e utilizar inteligência artificial para auxiliar no reconhecimento das espécies que compõem aquele ambiente em um determinado momento?
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).
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.
Tradicionalmente, esse acompanhamento depende de visitas a campo. 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).
Veículos Aéreos Não Tripulados (VANTs), também conhecidos como drones, permitem obter imagens de áreas extensas com elevada resolução espacial. Sensores multiespectrais revelam diferenças entre plantas que parecem semelhantes aos nossos olhos. 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.
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.
Um drone com sensor multiespectral sobrevoou a área de estudo, de aproximadamente 1,5 ha, a 40 metros de altitude. Para ensinar os modelos a diferenciar as espécies e classes temáticas, foram combinadas informações espectrais, de textura e de estrutura da vegetação. Depois de treinado, o modelo pode analisar novas áreas e atribuir classes aos objetos encontrados na imagem.
O resultado mais promissor veio do Random Forest, que alcançou 90,6% de acurácia global. O algoritmo 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.
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. Isso revela uma das principais dificuldades do reconhecimento automático em áreas de restauração: a vegetação é heterogênea.
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.
A utilização de drones e inteligência artificial não substitui o trabalho de campo, mas pode complementá-lo. 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.
