📄 agriculture

Evaluation of DBH measurement and tree detection in eucalyptus stands using SLAM systems

Este estudo valida a alta precisão e confiabilidade de sistemas baseados em SLAM para medir o diâmetro à altura do peito e detectar árvores em plantios comerciais de eucalipto no Paraguai, demonstrando um desempenho comparável aos métodos tradicionais de inventário manual.

Autores originais: Luiza Ganski Federici, Jorge Matos, Carlos Diniz, Vinicius Henrique Gris

Publicado 2026-07-16

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Luiza Ganski Federici, Jorge Matos, Carlos Diniz, Vinicius Henrique Gris

Artigo original sob licença CC BY 4.0 (https://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 que você é um detetive tentando contar cada pessoa individualmente em um estádio enorme e lotado. Agora, imagine que, em vez de pessoas, o estádio está cheio de milhões de árvores, e você precisa medir a espessura de seus troncos para descobrir quanta madeira elas contêm. Este é o desafio diário de um "inventário florestal". Por décadas, os silvicultores fizeram isso do jeito antigo: caminhando entre fileiras de árvores com uma fita métrica e uma prancheta, contando e medindo cada uma à mão. É preciso, mas é lento, cansativo e exige muitas pessoas.

Recentemente, um novo tipo de detetive entrou em cena: o detetive robô. Em vez de uma fita métrica, esses robôs usam câmeras e inteligência artificial (IA) para "ver" a floresta. Eles usam um truque inteligente chamado SLAM (Localização e Mapeamento Simultâneos), que é como um GPS que funciona mesmo quando você não consegue ver o céu, ajudando a câmera a saber exatamente onde está enquanto grava um vídeo. Eles também usam IA, que atua como um cérebro superinteligente capaz de reconhecer instantaneamente um tronco de árvore em um quadro de vídeo e estimar seu tamanho. A grande questão para o mundo da silvicultura é: esses robôs de alta tecnologia conseguem fazer o trabalho tão bem quanto os especialistas humanos, ou eles ficarão confusos e cometerão erros?

Este estudo é como uma corrida de um contra um entre a equipe tradicional humana e a nova equipe robótica. Os pesquisadores pegaram um grupo de árvores de eucalipto de seis a sete anos de idade no Paraguai — árvores plantadas em fileiras limpas e retas como soldados — e colocaram ambos os métodos à prova. Eles queriam ver se a IA do robô conseguia medir os troncos das árvores (uma medição chamada DBH, ou Diâmetro à Altura do Peito) e contar as árvores com a mesma precisão que os humanos com seus paquímetros.

Os resultados foram surpreendentemente próximos. A equipe do robô, usando um sistema chamado Katam, fez um trabalho incrível. Quando se tratava de contar as árvores, o robô foi quase perfeito. Ele encontrou 99,4% das árvores que realmente estavam lá e não contou acidentalmente nenhuma árvore que não estava lá (zero alarmes falsos). Seu "F1-score", uma forma sofisticada de dizer o quão bem ele equilibrou encontrar árvores sem cometer erros, foi de impressionantes 99,7%. Isso é como um aluno tirando um A+ em uma prova com quase 4.000 questões.

Quando se tratava de medir a espessura dos troncos, o robô também foi muito bom, embora tivesse o pequeno e consistente hábito de ser um pouco tímido. Em média, o robô mediu as árvores sendo 0,3 cm (cerca de 1/8 de polegada) menores do que os humanos mediram. Esta é uma diferença muito pequena, representando um viés de apenas -1,9%. Para colocar em perspectiva, se você estivesse medindo uma árvore com 17 cm de largura, o robô diria que ela tinha 16,7 cm. Os pesquisadores descobriram que essa pequena subestimação foi consistente em todos os diferentes talhões que verificaram.

O estudo também analisou por que o robô perdeu algumas árvores. Acontece que o robô teve dificuldades com as mudas menores e mais finas (aquelas com menos de 6 cm de largura) ou árvores que tinham galhos ou outras plantas bloqueando a visão de sua base. É como tentar tirar uma foto de uma formiga minúscula enquanto uma folha está no caminho; a câmera simplesmente não consegue vê-la com clareza suficiente para medi-la. No entanto, para as árvores maduras que compõem o grosso da floresta, o robô foi um campeão.

Talvez a parte mais emocionante da história não seja apenas a precisão, mas a velocidade. Enquanto a equipe humana levou cerca de 15 minutos para medir um pequeno talhão de 40 árvores, a equipe do robô fez o mesmo trabalho em apenas 2 minutos. Isso é uma redução de 85% no tempo! O robô não apenas mediu as árvores; ele gravou um vídeo de todo o processo, criando um rastro digital que pode ser verificado posteriormente, caso alguém tenha dúvidas.

No fim, o artigo sugere que esta nova tecnologia está pronta para as grandes ligas. Não é perfeita — ainda perde as mudas minúsculas e subestima ligeiramente os tamanhos — mas é rápida, confiável e precisa o suficiente para ser usada em florestas comerciais reais. Ela prova que não precisamos escolher entre velocidade e precisão; com as ferramentas certas, podemos ter ambos, transformando uma caminhada lenta e tediosa pela floresta em uma varredura rápida e de alta tecnologia que mantém nossas florestas crescendo fortes.

Resumo Técnico: Avaliação da Medição de DBH e Detecção de Árvores em Talhões de Eucalipto Utilizando Sistemas SLAM

Problema
A intensificação do manejo florestal industrial na América do Sul, particularmente no setor de celulose e papel, exige soluções digitais para inventários florestais visando melhorar a eficiência, a rastreabilidade e o rigor técnico. Embora tecnologias como o Mapeamento Simultâneo de Localização e Construção (SLAM), o escaneamento a laser terrestre (TLS) e a detecção de objetos baseada em aprendizado profundo estejam emergindo, há uma necessidade de validação rigorosa dessas ferramentas sob condições operacionais em plantios comerciais de eucalipto. Especificamente, a precisão da estimativa do Diâmetro à Altura do Peito (DAP/DBH) e a confiabilidade da detecção automática de árvores devem ser comparadas aos métodos manuais tradicionais para determinar sua viabilidade para adoção em larga escala.

Metodologia
O estudo foi conduzido em plantios comerciais de Eucalyptus urograndis em Coronel Bogado, Paraguai, consistindo em talhões de seis a sete anos de idade com espaçamento de 4,5 m × 2,0 m. A pesquisa comparou dois métodos de coleta de dados em nove parcelas amostrais contendo um total de 3.779 árvores:

Método de Referência (Tradicional): Medição manual de DBH utilizando suta de Haglöf por dois operadores de campo. Os dados foram registrados em planilhas, com duas medições por árvore para garantir a precisão.
Método Proposto (Sistema Katam): Coleta de dados baseada em vídeo utilizando uma câmera de ação GoPro 10 montada em um suporte manual. Os operadores caminharam linearmente ao longo das linhas de plantio, capturando vídeos perpendiculares a 90° da primeira linha de árvores. O sistema utilizou um pipeline proprietário combinando algoritmos SLAM para reconstrução 3D e Redes Neurais Convolucionais (CNNs) para detecção de árvores e extração de DBH.
- Processamento de Dados: Os vídeos foram enviados para um serviço em nuvem para processamento automatizado. O sistema identificou lacunas com base no espaçamento constante de plantio e excluiu árvores com DBH < 6 cm.
- Sincronização: Para garantir a correspondência um-para-um entre os registros manuais e digitais, marcadores de código QR foram colocados a cada 10 árvores para vincular os conjuntos de dados.
Análise Estatística: O estudo empregou estatística descritiva, análise de Bland-Altman para concordância e o coeficiente de correlação de concordância de Lin. O desempenho da detecção de árvores foi avaliado utilizando métricas de precisão, recall (revocação) e F1-score.

Principais Contribuições

Validação Operacional: O estudo fornece uma comparação direta e de larga escala (n > 3.700 árvores) entre um sistema de vídeo/SLAM de nível de consumo e medições manuais tradicionais com suta em um ambiente de plantio comercial homogêneo.
Métricas de Detecção: Estabelece benchmarks de alto desempenho para a detecção de árvores em plantios estruturados em linhas, demonstrando que a aquisição de vídeo ao nível do solo pode atingir taxas de detecção quase perfeitas.
Caracterização de Viés: A pesquisa quantifica o viés sistemático inerente à estimativa de DBH baseada em SLAM, fornecendo uma linha de base para potenciais fatores de correção em fluxos de trabalho operacionais.
Quantificação de Eficiência: O estudo mede explicitamente a economia de tempo do método digital em comparação com levantamentos tradicionais, oferecendo dados econômicos para o planejamento de inventário.

Resultados

Precisão do DBH: O sistema Katam demonstrou um viés médio de -0,3 cm (-1,9%), indicando uma leve subestimação sistemática em relação às sutas manuais. O desvio padrão médio do erro foi de 0,97 cm (5,6%). O coeficiente de determinação ( $R^2$ $R^{2}$ ) foi de 0,87.
- Os erros foram consistentes entre as parcelas, com erros relativos variando de -0,6% a -3,0%.
- A estratificação por classe de diâmetro revelou que os erros relativos eram maiores em classes de diâmetro menores (<14,1 cm) e menores em classes maiores, uma tendência consistente com outras tecnologias de sensoriamento remoto.
Desempenho de Detecção de Árvores: O sistema alcançou uma confiabilidade de detecção excepcional:
- Precisão (Precision): 100% (0 falsos positivos).
- Recall: 99,4% (24 falsos negativos de 3.779 árvores).
- F1-score: 99,7%.
- As 24 árvores não detectadas (0,64%) foram principalmente aquelas com DBH < 6 cm, obstruídas por vegetação ou apresentando bifurcação basal.
Eficiência Operacional: A coleta de dados digital exigiu aproximadamente 2 minutos por parcela (40 árvores), comparado aos 15 minutos do método tradicional envolvendo dois pesquisadores. Isso representa uma redução de 85% no tempo de campo.

Significância e Alegações
Os autores afirmam que o sistema Katam oferece uma alternativa consistente e precisa aos métodos de inventário tradicionais para plantios comerciais de eucalipto. O estudo conclui que:

A Precisão é Suficiente para Operações: O viés de DBH observado (-1,9%) é baixo e consistente, situando-se dentro da variabilidade das medições manuais em inventários comerciais. Os autores sugerem que este viés pode ser corrigido via fatores empíricos ou modelos de regressão.
A Detecção é Robusta: A taxa de detecção quase perfeita (F1 = 99,7%) e a ausência de falsos positivos significam que o sistema não corre o risco de superestimar a densidade do talhão, um fator crítico para o planejamento operacional (ex: fertilização, replantio). A taxa de não detecção (0,64%) está abaixo dos limiares operacionais padrão para replantio (5–10%).
Viabilidade Econômica: A redução de 85% no tempo de campo por parcela traduz-se em economias agregadas substanciais em dias-homem e logística, permitindo ciclos de monitoramento mais frequentes sem aumentar os custos.
Rastreabilidade: Ao contrário dos registros manuais, o sistema baseado em vídeo fornece dados brutos georreferenciados e com carimbo de tempo, aumentando a rastreabilidade e a auditabilidade para certificação florestal e verificação da cadeia de suprimentos.

O artigo mantém uma postura modesta, reconhecendo que a validação foi limitada a uma única região fisiográfica, classe de idade específica e espaçamento específico. Observa-se que o desempenho do sistema depende da representatividade dos dados de treinamento e que o método deve ser visto como complementar aos levantamentos manuais, que permanecem superiores para avaliar atributos qualitativos como defeitos de fuste e tortuosidade.

Mais como este