Figura 1: Analisando o desempenho de povoamentos de eucalipto no Brasil. As linhas azuis são limites de povoamentos, a cor vermelha representa áreas de índice de área foliar (IAF) decrescente e as áreas em verde representam IAF crescente e, consequentemente, um crescimento ativo.

Foram divulgados os primeiros resultados de nossa análise de alterações por imagens geradas por radar, e esse é o resultado: um mapa colorido de uma floresta, cheio de manchas verdes e vermelhas – as verdes indicando um aumento na biomassa florestal e as vermelhas, uma queda. Ao fundo, vemos os limites dos povoamentos florestais, e por cima deles, a camada analítica que produzimos após meses de desenvolvimento. As manchas verdes e vermelhas formam padrões distintivos que atravessam os limites de povoamentos. Encaramos esse mapa com um fascínio, tendo uma pergunta em mente: o que, exatamente, nós medimos? A nova tecnologia oferece empolgantes oportunidades de uso na silvicultura de precisão. A quantidade de dados disponíveis a partir de satélites tem aumentado em muito e eles estão ficando muito mais baratos, ao mesmo tempo em que a resolução tem melhorado de dezenas de metros para dezenas de centímetros. O problema que enfrentamos atualmente não é a disponibilidade de dados relevantes e o tempo de revisita dos satélites, mas a capacidade de analisa-los em busca de padrões significativos, chegando a conclusões que possibilitem a obtenção de insights acionáveis.

É exatamente nessa área que a PlanetWatchers tem se destacado: usamos a última e mais avançada tecnologia de satélite disponível, combinamos com outros conjuntos de dados, como dados meteorológicos ou mapas do solo, e colocamos tudo isso em uma plataforma de nuvem com ferramentas analíticas sofisticadas e orientadas por IA. O resultado é uma análise através da qual a relação de diferentes parâmetros pode ser descoberta, melhorando o processo de tomada de decisão na silvicultura: povoamentos com problemas de produtividade podem ser sinalizados para intervenção precoce ou o progresso de várias operações florestais pode ser rastreado de modo a garantir a cadeia de fornecimento de madeira. Todavia, antes de tudo isso ser possível, para conectar manchas coloridas a fenômenos da vida real, é necessário trabalho de campo.

Terminei meu doutorado em Ecologia Florestal e me acostumei a passar muito tempo em campo, fazendo amostras de solo, analisando vegetação e fazendo medições ecofisiológicas em diferentes tipos de florestas. Quando comecei a trabalhar com a PlanetWatchers, fiquei feliz em perceber que o trabalho de campo era uma parte essencial do que fazemos. Acredito que isso é o que nos diferencia de muitas outras startups: vemos a coleta de dados em campo como uma parte importante do que fazemos e insistimos em nos juntar a equipes de campo ao redor do mundo na coleta de dados. Realmente gostamos de colocar a mão na massa. Da nossa perspectiva, essa é a única forma de compreender os fenômenos da vida real e de entender como são coletados os complicados conjuntos de dados de campo para a calibração e validação de algoritmos. O valor agregado é compreender como nossos clientes operam, que tipo de desafios eles enfrentam no dia a dia e como podemos facilitar um pouco seu trabalho.

Estamos todos em uma plantação de eucalipto no Estado de São Paulo, Brasil, no meio de um povoamento que, de acordo com nossa análise, apresenta alguns padrões de crescimento inesperados. A porção sul do povoamento não parece estar crescendo, enquanto sua porção ao norte está tendo um crescimento bastante vigoroso. O limite entre as duas áreas era diferente. No escritório, não conseguimos encontrar qualquer explicação: isso não poderia ser explicado por tipos de solo e topografia distintos, pelo tipo de clone ou pelo histórico de gestão. Estando realmente em campo, a resposta ficou óbvia: ao contrário das informações disponibilizadas no sistema de gestão florestal, os dois lados do povoamento foram plantados com dois tipos diferentes de clones. Foi aí que percebemos que que estamos medindo o crescimento de árvores, e estamos fazendo isso de forma tão precisa que podemos diferenciar dois clones distintos pelo seu diferente desempenho sob condições iguais. O próximo passo foi estabelecer uma rede de talhões de monitoramento de campo para converter as diferenças observadas pela análise por radar em dados quantitativos ao longo de diferentes parâmetros florestais.

Toda a calibração com dados de campo requer muito trabalho. Geralmente, a coleta de dados em campo não é fácil, mesmo para profissionais treinados. Muitos de nossos clientes gerenciam grandes áreas florestais localizadas em locais remotos, de modo que é inevitável viajar longas distâncias. As condições podem ser difíceis, com clima desafiador, terreno acidentado e vegetação impenetrável. Fazer medições precisas em tais condições é uma tarefa difícil.

Figura 2: Estimando a IAF sob as copas de uma plantação de eucalipto. Embora o método seja simples, é comprovado que o olho humano tem um bom desempenho quando comparado a complicadas soluções tecnológicas. A real desvantagem desse método é um torcicolo.

Mesmo a floresta mais simples do ponto de vista estrutural, com pouca diferença de idade e plantação de uma única espécie, é um sistema biológico complicado, afetado por inúmeros fatores ambientais que vão desde chuva e temperatura a agentes biológicos, como pragas e doenças. A complexidade de sistemas aumenta mais ainda no caso de florestas naturais, com múltiplas camadas de vegetação, várias espécies e uma estrutura etária complicada. Consequentemente, ao planejar uma validação de campo, é necessário considerar vários fatores ambientais. A espécie, mesmo os tipos clonados das árvores plantadas, as camadas presentes na floresta (sub-bosque e vegetação rasteira da floresta), a densidade de plantio, o tipo de solo e a idade da floresta são fatores que devem ser levados em consideração. Esse fator inevitavelmente aumenta o número de talhões necessários. Entretanto, devido à coleta de dados em campo geralmente ser feita com trabalho manual, também é necessário minimizar o número de talhões e nos certificarmos de que estamos coletando a quantidade correta de dados do número mínimo de parâmetros florestais. Isso requer o desenvolvimento de protocolos de coleta de dados em campo e processamento de dados que sejam adequados para cada situação.

Além da análise de imagens geradas por radar, também usamos imagens óticas durante os processos de calibração e validação, todavia, isso dificilmente substituirá o insight humano algum dia. A título de exemplo, um dos mais importantes parâmetros florestais pelos quais gestores de florestas se interessam é o índice de área foliar, que mede a área total de folhas individuais por unidade de solo (m2/m2). O IAF indica o estágio de desenvolvimento, o potencial de crescimento e a sanidade de um povoamento florestal: trata-se de um parâmetro que muda de forma previsível, junto com a idade de um povoamento florestal, assim, desvios nessa tendência geralmente indicam problemas de sanidade florestal e produtividade. Apesar de haver soluções tecnológicas para a medição do IAF, a ferramenta mais rápida e eficiente para a análise de tal parâmetro ainda é o olho humano. Nesse método, uma equipe de quatro a seis profissionais estimam visualmente o IAF pela observação da copa da árvore a partir de sua base e em direção ao céu, então, é calculada uma média para representar o IAF do talhão. O uso de um livro de referência visual que contenha exemplos de copas que representam diferentes níveis de IAF facilita muito esse trabalho. Segundo estudos científicos, o olho humano tem um bom desempenho em comparação com sofisticadas soluções tecnológicas para a medição do IAF. Outros parâmetros que costumamos medir são as dimensões da árvore e as características da vegetação de sub-bosque. Informações sobre o tipo de clone e a espécie plantada geralmente são fornecidas pelo sistema de informação florestal, mas como essas informações nem sempre são precisas, esses parâmetros devem ser confirmados durante uma coleta de dados em campo. Deve ser enfatizado, entretanto, que os parâmetros florestais relevantes são sempre determinados de acordo com o tipo de floresta em questão. A boa notícia é que essa trabalhosa calibração de campo só precisa ser realizada uma vez para cada tipo florestal a ser analisado.

Para aproveitar o pleno potencial da plataforma de análise da PlanetWatchers, são recomendados dados de campo adicionais como dados de validação e para treinar a plataforma baseada em inteligência artificial. Ao operar o sistema, podem ser alimentadas no sistema informações exemplares de infestações florestais observadas durante visitas de campo de rotina. Eventualmente, esses dados ensinarão o sistema a identificar as doenças de maior risco e a diferenciá-las de agentes prejudiciais menos sensíveis ao tempo. Isso permite não apenas uma intervenção precoce para o controle de danos florestais, mas também um uso mais eficiente dos recursos para controle e mitigação. Ele também pode aprender a prever danos florestais com base em eventos históricos, tipos de clones e variáveis meteorológicas.

Mesmo quando a coleta de dados em campo é trabalhosa e demorada, a recompensa também é muito atrativa. Dados de campo possibilitam que convertamos os sinais obtidos por radar em estimativas quantitativas precisas de parâmetros florestais. Isso ajuda no desenvolvimento de um novo tipo de sistema de monitoramento florestal, que fornece dados de alta frequência ao longo de extensas áreas florestais e que pode alertar gestores de florestas a respeito de problemas de sanidade, oferecendo ferramentas analíticas para a investigação de padrões espaciais e temporais para o apoio da P&D e da tomada de decisões em silvicultura. Considerando que a demanda por produtos florestais aumenta a nível global enquanto o ambiente físico se torna menos previsível, com mudanças nos regimes de chuva e de temperatura, esse tipo de informação é essencial para que gestores florestais garantam a sustentabilidade da produção de madeira por meio da produtividade e sanidade de suas florestas.

Imagem da capaUma plantação de eucalipto de três anos e meio vista por baixo das copas. O IAF desse povoamento foi estimado em aproximadamente 2,2.

 

Share this post