⚡ electrical engineering

Self-Supervised Tree-level Biomass Estimation in Urban Environments From Airborne LiDAR and Optical Observations

Este artigo apresenta um framework de aprendizado profundo autossupervisionado que integra LiDAR aerotransportado e imagens ópticas para gerar um banco de dados bitemporal de alta resolução da biomassa de árvores urbanas individuais em uma paisagem de 810 km² em Ontário, alcançando uma estimativa precisa ao nível da copa sem anotação manual e revelando um ganho líquido de carbono de 39 Gg C ao longo de cinco anos.

Autores originais: Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, C

Publicado 2026-06-26

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, Canada), Camile Sothe (Planet Labs PBC, San Francisco, California, USA), Alemu Gonsamo (McMaster University, Hamilton, Ontario, Canada)

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine uma floresta gigante e invisível crescendo não na natureza, mas bem no meio de nossas cidades, subúrbios e vilas. Estas são as árvores que margeiam nossas ruas, estão em nossos parques e pontuam nossos bairros. Por muito tempo, contar quanto de "madeira" (biomassa) e carbono essas árvores urbanas retêm foi como tentar contar grãos de areia em uma praia usando luvas grossas: poderíamos estimar o total, mas não conseguíamos ver os grãos individuais, e nossos mapas eram frequentemente borrados.

Este artigo apresenta uma nova forma de alta tecnologia para contar e pesar estas árvores urbanas, uma a uma, através de uma área massiva no sul de Ontário (cerca o de 810 quilômetros quadrados). Aqui está como eles fizeram isso, explicado de forma simples:

1. A Estratégia da "Foto de Inverno"

Normalmente, quando você tira uma foto de uma árvore no inverno (quando ela não tem folhas), ela parece um esqueleto cinza e nu. Isso torna difícil para os computadores distinguir o que é um galho de árvore de um telhado de um edifício.

O Truque do Artigo: Os pesquisadores usaram dois tipos de "olhos" para observar a cidade ao mesmo tempo:
- Olhos que veem altura (LiDAR): Isto é como um scanner a laser 3D que rebate a luz no chão e nas árvores para construir um modelo 3D preciso. Ele vê a forma da árvore, mesmo sem as folhas.
- Olhos que veem cor (Óptico): São fotos de alta resolução tiradas no inverno.
A Analogia: Pense como se estivesse tentando identificar uma pessoa em um quarto escuro. Se você tiver apenas uma lanterna (a foto), pode não vê-la. Mas se você também tiver um dispositivo de sonar (o laser) que diz exatamente onde o corpo dela está, poderá encontrá-la facilmente. Ao combinar a "forma" do laser com a "cor" da foto, o computador consegue detectar as árvores mesmo quando elas estão nuas.

2. Ensinando o Computador Sem um Professor

Normalmente, para ensinar um computador a reconhecer árvores, humanos precisam passar anos desenhando contornos ao redor de milhares de árvores em fotos. Isso é lento e caro.

O Truque do Artigo: Eles usaram uma abordagem "Autossupervisionada". Em vez de contratar um professor, eles deram ao computador um conjunto de palpites baseados em regras aproximadas (como "se for plano e alto, é um edifício; se for irregular e verde, é uma árvore"). Esses palpites eram imperfeitos, como o primeiro rascunho de um aluno.
A Analogia: Imagine um aluno aprendendo a desenhar olhando para um caderno de esboços bagunçado. O computador começou com esses esboços bagunçados, baseados em regras, e depois praticou milhões de vezes, corrigindo seus próprios erros até aprender a desenhar as árvores perfeitamente por conta própria. Ele não precisou que um humano desenhasse cada árvore para ele.

3. Separando a "Floresta" da "Cidade"

Uma das partes mais difíceis do mapeamento urbano é distinguir uma árvore de uma casa. Um telhado plano pode parecer o dossel de uma árvore vista de cima.

O Truque do Artigo: O computador aprendeu a ser um segurança muito rigoroso. Ele usou os dados do laser 3D para ver que os edifícios são planos e lisos, enquanto as árvores são irregulares e acidentadas.
O Resultado: O computador tornou-se muito bom nisso, identificando corretamente edifícios 95% das vezes e separando-os das árvores. Isso é crucial porque, se você confundir um telhado com uma árvore, poderá tentar pesar uma casa!

4. Pesando as Árvores

Uma vez que o computador encontrou as árvores e desenhou um círculo ao redor de cada uma (delimitação), ele precisava adivinhar o peso delas.

O Truque do Artigo: Eles não podiam escalar cada árvore para medi-la. Em vez disso, usaram uma "receita" (uma equação alométrica). Eles sabiam que copas maiores e árvores mais altas geralmente significam mais madeira. Eles calibraram essa receita usando uma lista de 112.000 árvores de Oakville que já haviam sido medidas por funcionários da cidade.
A Ressalva: O computador é ótimo em encontrar as árvores, mas não é perfeito em desenhar a borda exata de cada copa. O artigo descobriu que a maior fonte de erro não era a "receita" para pesar as árvores, mas sim o fato de o computador às vezes errar a borda exata da copa de uma árvore (especialmente para árvores grandes e desordenadas).

5. Os Resultados do Panorama Geral

Após rodar este sistema sobre a área de 810 km² para dois anos diferentes (2018 e 2023), eles descobriram:

Peso Total: Em 2018, as árvores continham cerca de 1,73 milhão de toneladas de biomassa. Em de 2023, esse valor cresceu para 1,81 milhão de toneladas.
Ganho de Carbono: As árvores absorveram 39.000 toneladas extras de carbono ao longo desses cinco anos.
Onde as Árvores Estão: As árvores mais pesadas foram encontradas ao longo da Niagara Escarpment (uma área de falésia rochosa) e em vales de rios. As árvores mais leves e esparsas estavam em áreas residenciais e comerciais.
Mapas de Incerteza: O computador também criou um "mapa de confiança". Ele destacou áreas onde o sistema estava menos seguro de suas respostas (principalmente em campos agrícolas ou áreas mistas), dizendo aos futuros pesquisadores: "Verifiquem estes pontos primeiro".

Resumo

Este artigo construiu um sistema de computador inteligente e autossupervisionado que utiliza varreduras a laser e fotos de inverno para encontrar, delimitar e pesar árvores individuais em uma cidade sem a necessidade de humanos desenhando cada uma delas. Provou que podemos obter um mapa detalhado, árvore por árvore, da biomassa urbana, mostrando-nos exatamente onde nossas florestas urbanas estão crescendo e quanto carbono elas estão armazenando, o que ajuda as cidades a planejar melhor para o futuro.

Resumo Técnico: Estimativa de Biomassa ao Nível de Árvore via Aprendizado Autossupervisionado em Ambientes Urbanos

Definição do Problema
As árvores urbanas constituem um componente crítico dos estoques de carbono terrestre, embora sua biomassa permaneça menos espacialmente explícita e consistente do que a de florestas manejadas. As estimativas existentes dependem frequentemente de inventários amostrais ou produtos de sensoriamento remoto de baixa resolução (ex: 10–30 m), que falham em resolver copas de árvores individuais ou capturar a heterogeneidade de escala fina em tecidos urbanos complexos. Além disso, o mapeamento escalável é dificultado por três lacunas metodológicas: (1) a dependência de anotação manual em nível de pixel para treinamento supervisionado, o que limita a cobertura; (2) a contribuição relativa incerta entre erros de delineamento de copa automatizados versus erros de modelos alométricos para a incerteza total; e (3) a escassez de produtos de biomassa em escala de copa, multi-temporais, acompanhados de camadas de incerteza espacialmente explícitas.

Metodologia
O estudo apresenta um framework de fusão multimodal autossupervisionado aplicado a uma paisagem urbano-rural de 810 km² no sul de Ontário, Canadá, utilizando LiDAR aéreo bi-temporal (2018 e 2023; 8–10 pulsos m⁻²) e ortofotografia RGB de infravermelho próximo (0,16–0,20 m) adquirida em condições de folha caída (leaf-off).

Geração de Pseudo-rótulos: Para eliminar a necessidade de anotação manual, os autores desenvolveram um framework baseado em regras para gerar pseudo-rótulos ruidosos. Isso envolveu:
- Detecção de Edificações: Análise de planaridade baseada em raster no Modelo de Altura de Dossel (CHM) combinada com filtragem morfológica.
- Classificação de Vegetação: Diferenciação entre árvores de folha persistente (coníferas) e caducifólias usando limiares de altura do CHM e índices espectrais (critérios de cor NDVI e HSV) sob condições de folha caída, onde as copas de coníferas retêm alto NDVI enquanto as copas caducifólias não.
Rede Neural Autossupervisionada: Uma rede dual-stream cross-attention ConvNeXtV2 U-Net foi treinada nesses pseudo-rótulos. A arquitetura processa entradas ópticas (NIR, R, G, B) e estruturais (CHM) através de encoders paralelos, utilizando blocos de atenção cross-modal para fundir características.
- Função de Perda: O modelo empregou um objetivo multitask combinando segmentação de cobertura do solo, classificação de tipo de árvore e reconstrução de entrada auxiliar. Crucialmente, utilizou uma Active Negative Loss (ANL-CE) para mitigar o overfitting aos pseudo-rótulos ruidosos.
- Quantificação de Incerteza: Um deep ensemble de 25 modelos (variando dobras e hiperparâmetros) foi utilizado para gerar mapas de incerteza por pixel, distinguindo incerteza aleatória (dados) e epistêmica (modelo).
Delineamento de Copa: As copas das árvores individuais foram delineadas usando segmentação de watershed multiescala no CHM dentro das áreas de árvores identificadas. Três escalas foram aplicadas para abordar a sobre-segmentação de árvores pequenas e a sub-segmentação de copas grandes e sobrepostas.
Estimativa de Biomassa: Um modelo de proxy de lei de potência ( $AGB = e^\alpha \cdot (CA \cdot H)^\beta$ $A GB = e^{α} \cdot (C A \cdot H)^{β}$ ) foi calibrado contra equações alométricas específicas de espécies (Lambert et al., 2005) usando 21.921 árvores de inventário de Oakville.
- Seleção de Equação: Copas com baixa incerteza receberam equações específicas de grupo funcional (caducifólias vs. coníferas); copas incertas foram direcionadas para uma equação de "todas as árvores" para evitar extrapolações não confiáveis.
- Validação: A precisão foi avaliada contra um conjunto de teste independente de 90.726 árvores, comparando previsões derivadas da geometria do inventário (limite superior) versus segmentação de watershed operacional.

Principais Resultados

Desempenho de Segmentação: O modelo de ensemble melhorou os pseudo-rótulos iniciais baseados em regras em todas as métricas. Contra tiles anotados manualmente, o modelo alcançou precisão média de 0,86, recall de 0,83 e coeficiente Dice de 0,84. A detecção de edifícios foi particularmente robusta (Dice 0,95), enquanto a segmentação de coníferas permaneceu como a classe mais desafiadora (Recall 0,66).
Precisão da Estimativa de Biomassa:
- Ao utilizar a geometria de copa derivada do inventário (isolando o erro alométrico), o modelo alcançou $R^2 = 0,609$ .
- Sob condições operacionais usando segmentação automatizada, o $R^2$ diminuiu para 0,570.
- Estimativas de coníferas foram mais precisas ( $R^2 = 0,646$ ) do que as de caducifólias ( $R^2 = 0,553$ ), atribuído aos picos de altura mais claros das copas de coníferas nos dados de CHM.
- A queda de desempenho da geometria de inventário para a operacional identificou o erro de delineamento de copa como a principal fonte de incerteza, particularmente para árvores grandes, que são propensas à sub-segmentação.
Achados Espaciais e Temporais:
- Os estoques totais de Biomassa Acima do Solo (AGB) aumentaram de 1,73 Tg (811 Gg C) em 2018 para 1,81 Tg (850 Gg C) em 2023, representando um ganho líquido de carbono de 39 Gg C.
- Altas densidades de biomassa (~140 Mg ha⁻¹) concentraram-se ao longo do Escarpa de Niagara e corredores ripários, enquanto áreas residenciais e comerciais mostraram densidades menores.
- Mapas de incerteza de deep-ensemble identificaram com sucesso regiões de alta incerteza epistêmica (ex: zonas agrícolas e de transição) onde os dados de treinamento estavam sub-representados.

Significância e Alegações
Os autores afirmam que este trabalho fornece um workflow de protótipo escalável para estimativa de biomassa urbana que opera exclusivamente com dados de sensores provinciais padrão sem anotação manual. As principais contribuições incluem:

Escalabilidade: Demonstrar que a rotulagem de pseudo-rótulos baseada em regras combinada com o refinamento de redes neurais pode atingir alta precisão em ambientes urbanos heterogêneos, superando o gargalo da rotulagem manual.
Caracterização de Erro: Quantificar explicitamente que os erros de delineamento de copa, e não os erros de modelos alométricos, são a principal limitação na estimativa operacional de AGB, com foco específico na sub-segmentação de árvores grandes.
Mapeamento Consciente de Incerteza: Fornecer um banco de dados de nível de copa, bi-temporal, com uma camada de incerteza associada, permitindo que usuários distingam áreas de alta confiança daquelas que requerem validação de campo.
Contabilidade de Carbono: Oferecer uma alternativa espacialmente explícita aos métodos de baixa resolução ou baseados em amostras, resultando em um banco de dados publicamente disponível relevante para a gestão municipal e contabilidade de carbono regional para "árvores fora de florestas".

O estudo mantém um tom modesto quanto aos valores absolutos de biomassa, reconhecendo que o uso de equações alométricas derivadas de florestas para árvores urbanas de crescimento aberto pode introduzir viés sistemático. No entanto, os autores afirmam que os padrões espaciais e temporais relativos permanecem robustos, fornecendo um passo fundamental para uma contabilidade de carbono urbana mais consistente.