Estimating Biomass in Trans-Himalayan Rangelands Using Sentinel-2 Data and Machine Learning Approaches

O Grande Detetive da Grama: Uma História de Montanhas, Satélites e Computadores Inteligentes

Imagine que a pele da Terra está coberta por vastos e selvagens tapetes de grama e arbustos chamados pastagens. Estes não são apenas cenários bonitos; eles são as gigantescas mesas de jantar para milhões de vacas, ovelhas e cabras, e ajudam a manter a água do planeta limpa e o ar fresco. Mas aqui está o problema: esses tapetes de grama estão se desgastando. O excesso de animais comendo ao mesmo tempo, as mudanças climáticas e a pressão humana estão transformando prados exuberantes em manchas empoeiradas. Para consertar isso, precisamos saber exatamente quanta grama resta, mas contar da maneira antiga é um pesadelo. Isso envolve subir montanhas íngremes e rochosas, cortar pequenos quadrados de grama com tesouras, secá-los ao sol e pesá-los. É lento, caro e você não pode fazer isso em todos os lugares ao mesmo tempo.

É aqui que a magia do "sensoriamento remoto" e do "aprendizado de máquina" entra. Pense no sensoriamento remoto como uma câmera gigante e de alta tecnologia no céu (um satélite) que pode ver cores que nossos olhos não veem, como o "borda vermelha" (red edge) invisível da luz com a qual as plantas brilham quando estão saudáveis. O aprendizado de máquina é como um estudante de computador superinteligente que pode olhar para milhões dessas fotos de satélite e aprender a adivinhar quanta grama há no chão sem nunca pisar nele. Cientistas têm tentado ensinar esses computadores a serem precisos, mas as áreas montanhosas são complicadas porque as sombras e as encostas íngremes confundem as câmeras. A grande questão é: Podemos construir um sistema inteligente que consiga "pesar" a grama nessas montanhas difíceis de alta altitude apenas olhando do céu?

---

A Missão do Artigo: Ensinando Computadores a Contar Grama nas Nuvens

Este artigo de pesquisa é como um guia de campo para um novo tipo de trabalho de detetive. Os autores, uma equipe de cientistas do Paquistão e do Canadá, partiram para resolver o mistério de quanta grama (biomassa) está crescendo nas pastagens trans-Himalaias de Upper Dir e Swat. Estas são áreas de montanhas altas e acidentadas onde o terreno é tão íngreme e o clima tão selvagem que os métodos tradicionais de contagem são quase impossíveis. Em vez de enviar equipes de caminhantes para cortar a grama, a equipe decidiu usar dados do satélite Sentinel-2, que tira fotos incrivelmente detalhadas da Terra a cada poucos dias.

Eles trataram as imagens de satélite como um grande quebra-cabeça. Primeiro, eles foram a campo durante o verão de 2022 e 2023 para coletar a "verdade de campo" (ground truth). Eles caminharam até pontos aleatórios, mediram o peso seco real da grama em pequenos quadrados e registraram as coordenadas de GPS. Esta era a sua chave de resposta. Depois, eles olharam para as fotos de satélite desses mesmos pontos exatos para ver o que o satélite "viu". Eles testaram 50 fórmulas matemáticas diferentes (chamadas índices de vegetação) que tentam transformar luz em números. Era como testar 50 receitas diferentes para ver qual fazia o melhor bolo.

A Descoberta: A "Borda Vermelha" Vence a Corrida

A equipe descobriu que nem todas as receitas são iguais. Algumas das fórmulas antigas e padrão, como o famoso NDVI (que mede o quão verde as plantas parecem), eram aceitáveis, mas perdiam os detalhes mais finos. A verdadeira estrela do show acabou sendo uma fórmula chamada REDVI1. Esta fórmula utiliza uma parte especial do espectro de luz chamada "Borda Vermelha" (Red Edge), que é como um aperto de mão secreto entre o satélite e a clorofila da planta.

Quando testaram suas teorias, o REDVI1 foi o vencedor claro em precisão de previsão na triagem inicial. Em 2023, ele previu a quantidade de grama com um índice de precisão (R²) de 0,86, o que é uma correspondência muito forte. A fórmula padrão de medição de verde, o NDVI, pontuou apenas 0,7376. É como se o REDVI1 pudesse ver a saúde da grama a um quilômetro de distância, enquanto o NDVI estava semicerrando os olhos e apenas supondo.

Mas saber a melhor fórmula não era suficiente; eles também precisavam do cérebro de computador mais inteligente para fazer a matemática. Eles testaram três diferentes "estudantes" de aprendizado de máquina:

1. PLSR (um pensador linear).
2. SVR (uma máquina de vetor de suporte).
3. RFR (Regressão de Floresta Aleatória).

O modelo Random Forest (RFR) foi o campeão. Ele não apenas adivinhava; ele construía uma floresta de árvores de decisão que podiam lidar com a realidade bagunçada e complicada das montanhas. Foi muito mais estável e preciso que os outros, com um índice de desempenho (NSE) de 0,92 em 2023. O artigo observa explicitamente que os métodos lineares mais antigos e simples e os outros modelos de aprendizado de máquina tiveram mais dificuldades com as sombras estranhas e as encostas íngremes das montanhas. O modelo RFR foi o único capaz de ignorar consistentemente o ruído e encontrar o sinal.

O Mapa: Onde a Grama é Gorda e Onde é Magra

Usando seu modelo de aprendizado de máquina vencedor (RFR) para validar os dados, a equipe criou então um mapa detalhado de toda a região. No entanto, para o mapa final real, eles não usaram o modelo de computador complexo diretamente. Em vez disso, aplicaram uma equação de regressão linear mais simples baseada no REDVI2. Embora o REDVI1 tenha sido o principal preditor de precisão na triagem inicial, a equipe descobriu que o REDVI2 teve a maior correlação para a fase específica de mapeamento (com um R² de 0,7204 em 2023), portanto, usaram essa fórmula para calcular o peso da grama para cada pixel no mapa.

Os resultados revelaram uma história fascinante sobre a terra:

• A Média: Em toda a área de estudo, a quantidade média de grama seca era de 5.896,78 kg/ha.
• Os Extremos: A grama não estava espalhada uniformemente. Alguns pontos tinham quase nenhuma grama (perto de vilas e rios, onde os animais pastam o ano todo), enquanto outros pontos eram incrivelmente exuberantes. As manchas mais altas tinham até 11.516,7 kg/ha de grama.
• O Padrão: O artigo descobriu que a grama perto de vilas e fontes de água estava frequentemente degradada, com baixa biomassa (menos de 3.500 kg/ha). Isso ocorre porque os animais têm pastado ali por muito tempo sem descanso. No entanto, as altas montanhas, que ficam cobertas de neve durante a maior parte do ano, tinham grama espessa e saudável (mais de 7.000 kg/ha) porque a neve mantinha os animais afastados, dando às plantas a chance de crescer novamente.

O Que Isso Significa para o Futuro

Os autores são cuidadosos ao não afirmar que "resolveram" o problema do manejo de pastagens para sempre. Em vez disso, sugerem que este método oferece uma ferramenta poderosa. Eles mostraram que você não precisa cortar a grama para saber quanto há lá; você pode usar um satélite e um computador inteligente para obter uma imagem muito precisa.

Isso é um grande avanço para as pessoas que vivem lá. Se os líderes locais puderem ver um mapa que diz: "Ei, este vale está ficando sem grama", eles podem mover os animais para uma área diferente antes que a terra seja destruída. Isso transforma o palpite em ciência. O artigo conclui que esta abordagem é precisa, escalável e não invasiva, ofereção uma forma de proteger esses frágeis ecossistemas montanhosos e os meios de subsistência das pessoas que deles dependem. É um lembrete de que, às vezes, a melhor maneira de entender o chão é olhando para ele a partir do céu.