Resumo Técnico: Miti360 – Um Conjunto de Dados Abrangente para o Monitoramento Aprimorado do Reflorestamento

Declaração do Problema

Apesar da crescente aplicação de Aprendizado de Máquina (ML) para automatizar o monitoramento florestal, existe uma lacuna geográfica crítica nos dados de treinamento disponíveis. Os conjuntos de dados florestais existentes são predominantemente provenientes da América do Norte, Europa, Ásia e Austrália, deixando a África Subsaariana severamente sub-representada. Essa escassez dificulta o desenvolvimento de modelos de ML capazes de enfrentar desafios específicos da silvicultura africana, como inventário florestal preciso, estimativa de biomassa e o monitoramento de esforços de reflorestamento em talhões heterogêneos. O artigo destaca que, embora as iniciativas globais de reflorestamento (por exemplo, a meta do Quênia de 15 bilhões de árvores até 2032) sejam ambiciosas, a falta de dados localizados e de alta qualidade impede o rastreamento eficaz da sobrevivência e das taxas de crescimento de árvores individuais nessas regiões.

Metodologia

Os autores apresentam o Miti360, um conjunto de dados multimodal coletado entre março de 2023 e fevereiro de 2025 dentro de uma seção reflorestada de 770 hectares na Floresta Kieni, no Ecossistema de Aberdare, Quênia. O quadro de aquisição e processamento de dados envolveu:

• Área de Estudo e Amostragem: O local, situado entre 2.200m e 2.684m acima do nível do mar, contém mais de dez espécies nativas. Foi empregado um desenho de amostragem sistemática, dividindo a área em unidades de 100m × 100m. Dos 56 parcelos gerados, 41 foram selecionados para a verificação de campo (excluindo parcelos cobertos por bambu ou desprovidos de árvores), visando aproximadamente 15 árvores por parcela.
• Coleta de Dados Aéreos: Os levantamentos foram conduzidos utilizando um drone DJI Mavic 2 Pro equipado com uma câmera Hasselblad L1D-20c. Os planos de voo visaram uma Distância de Amostragem do Solo (GSD) de 2 cm a uma altitude de ~88 metros com 80% de sobreposição frontal e 70% lateral. Mais de 9.200 imagens foram processadas usando Agisoft Metashape (Structure-from-Motion) e segmentadas em tiles no ArcGIS Pro para gerar ortofotos de alta resolução e Modelos Digitais de Elevação (DEMs).
• Verificação de Campo e Dados Terrestres:
  • Parâmetros Biofísicos: Altura da árvore (TH), diâmetro da copa (CD) e diâmetro basal (BD) foram medidos manualmente para 1.208 árvores (amostradas de 604 árvores únicas ao longo de dois pontos temporais em 2024–2025).
  • GPS: As coordenadas foram registradas usando receptores Garmin GPSMAP 64s.
  • Imagens: As imagens terrestres incluíram tanto fotos de visão única (smartphone Oppo F11) quanto pares estereoscópicos (câmera estéreo customizada feita internamente com sensores Logitech C270) centrados em árvores alvo.
  • Clima: Dados de precipitação diária histórica (8 anos) foram agregados de 40 estações meteorológicas TAHMO em um raio de 100 km e interpolados para o local de estudo usando Distância Inversa Ponderada (IDW).
• Anotação e Controle de Qualidade:
  • Ortofotos: As copas das árvores foram anotadas com caixas delimitadoras (bounding boxes) usando o Label Studio, resultando em 61.866 anotações em 1.117 tiles.
  • Imagens Terrestres: Máscaras de segmentação semântica e IDs de espécies foram gerados usando o Labelbox, aproveitando o Segment Anything Model (SAM) para rotulagem assistida por IA seguida de refinamento manual.
  • Validação: Um fluxo de trabalho rigoroso de controle de qualidade incluiu validação cruzada entre anotadores (rejeitando tarefas com <80% de sobreposição) e inspeções de amostragem aleatória.

Principais Contribuições

1. Conjunto de Dados Miti360: A principal contribuição é o lançamento de um conjunto de dados abrangente e multimodal especificamente projetado para o monitoramento do reflorestamento na África Subsaariana. Ele integra ortofotos aéreas, imagens terrestres estéreo e de visão única, medições biofísicas detalhadas de verificação de campo, identificação de espécies, coordenadas GPS e dados climáticos interpolados.
2. Dados Longitudinais: O conjunto de dados inclui medições repetidas e imagens das mesmas árvores ao longo do tempo (2023, 2024, 2025), permitindo a análise de trajetórias de crescimento e mudanças temporais.
3. Anotações Específicas do Domínio: Diferente dos conjuntos de dados florestais genéricos, o Miti360 fornece rótulos específicos de espécies e caixas delimitadoras de alta precisão adaptadas à vegetação heterogênea das florestas montanhosas do Quênia.

Resultados

O artigo demonstra a utilidade do Miti360 através de duas validações técnicas primárias:

• Rastreamento de Crescimento de Árvores: Ao aplicar o Segment Anything Model (SAM) da Meta AI às anotações das ortofotos, os autores rastrearam 1.585 árvores entre março de 2023 e agosto de 2024. A análise confirmou o crescimento observável, com os diâmetros médios das copas aumentando de aproximadamente 2 metros para 3 metros.
• Ajuste Fino de Modelo (DeepForest): Os autores realizaram o ajuste fino (fine-tuning) de um modelo DeepForest pré-treinado (RetinaNet) no conjunto de dados Miti360. Os resultados mostraram melhorias significativas no desempenho de detecção em comparação com a linha de base pré-treinada:
  • Precisão da Caixa (Box Precision): Aumentou de 2,8% para 22,7% (um ganho de ~8x), indicando uma redução drástica nos falsos positivos.
  • Revocação da Caixa (Box Recall): Saltou de 20,5% para 89,6%, o que significa que o modelo localizou com sucesso quase 9 em cada 10 árvores anotadas.
  • IoU Médio (Mean IoU): Melhorou de 0,579 para 0,725, refletindo uma localização mais precisa das copas das árvores.
• Correlação Clima-Crescimento: Uma análise dos dados de precipitação versus parâmetros biofísicos revelou relações não lineares. Embora a chuva mensal tenha diminuído entre os dois intervalos de observação, a velocidade de crescimento da altura da árvore aumentou (de 3,00 mm/mês para 3,74 mm/mês), e o crescimento do diâmetro da copa também acelerou, sugerindo interações complexas entre o clima e o crescimento que requerem mais estudos.

Significância e Alegações

O artigo posiciona o Miti360 como um recurso fundamental para o avanço do monitoramento do reflorestamento em regiões sub-representadas. Os autores afirmam que este conjunto de dados permite:

• Censos de Árvores Acelerados: Treinar sistemas de ML para contar e monitorar rapidamente árvores individuais em talhões jovens e densos.
• Correspondência Espécie-Localização: Identificar quais espécies nativas prosperam em áreas geográficas específicas.
• Modelagem de Crescimento: Desenvolver modelos que prevejam mudanças biofísicas nas árvores com base nas condições climáticas.
• Desenvolvimento de Gêmeos Digitais: Fornecer os dados de alta qualidade e multimodais necessários para construir gêmeos digitais de ecossistemas florestais para monitoramento contínuo e suporte à decisão.

Os autores enfatizam que, ao abordar a lacuna de dados na África Subsaariana, o Miti360 apoia a tomada de decisão baseada em dados para as partes interessadas, valida as contribuições dos agricultores locais para o reflorestamento e promove práticas de silvicultura sustentáveis adaptadas ao contexto africano. O artigo conclui que o conjunto de dados serve como uma base empírica para o benchmarking e o desenvolvimento de soluções de ML especificamente projetadas para os desafios da silvicultura africana.