Seasonal Landsat summaries improve cross-fire prediction of post-fire conifer establishment

Após um incêndio florestal varrer uma floresta, a paisagem é frequentemente deixada cicatrizada e silenciosa. Para gestores florestais e ecologistas, a questão mais premente não é apenas quanto dano ocorreu, mas se a floresta irá se curar sozinha. Novos pinheiros e abetos criarão raízes ou a terra permanecerá dominada por arbustos e gramíneas? Esta decisão determina se uma região precisa de intervenção humana dispendiosa para replantar árvores ou se a natureza fará o trabalho por conta própria. Para responder a isso, os cientistas têm recorrido há muito tempo a satélites, que podem observar vastas áreas de terras queimadas que são demasiado perigosas ou remotas para as pessoas visitarem. No entanto, uma imagem de satélite é apenas uma fotografia da luz a refletir-se no solo; ela não consegue distinguir entre um novo rebento de pinheiro, um arbusto que brota ou um ramo de árvore sobrevivente. O desafio sempre foi descobrir se os padrões vistos do espaço realmente predizem onde novos coníferos estão a crescer, e se esses padrões se mantêm verdadeiros ao observar um incêndio completamente diferente daquele em que o computador foi treinado.

Um novo estudo pelo investigador independente Joshua Puliafico aborda este problema ao testar quão bem os dados de satélite podem prever a recuperação florestal através de diferentes incêndios florestais. A investigação foca-se no uso de dados do programa de satélites Landsat, que tem fotografado a Terra há décadas. A equipa queria saber se resumir os dados de satélite em tendências sazonais amplas seria mais útil para prever a recuperação florestal do que tentar capturar cada detalhe individual do ciclo de crescimento da vegetação. Eles construíram modelos computacionais para aprender com dados de campo recolhidos após vinte e cinco incêndios diferentes no oeste dos Estados Unidos. Estes modelos foram então testados em treze novos incêndios que o computador nunca tinha visto, simulando um cenário do mundo real onde um gestor precisa de avaliar um local de queimada recente utilizando as lições aprendidas com eventos passados.

Os investigadores compararam três formas diferentes de introduzir informações nos seus modelos computacionais. A primeira foi uma abordagem de base que utilizou apenas o contexto ecológico, como a intensidade com que o fogo ardeu, a distância do local em relação a árvores existentes que pudessem largar sementes e o clima local. A segunda abordagem adicionou um resumo dos dados de satélite, condensando meses de observações numa única imagem sazonal para cada ano após o incêndio. A terceira abordagem foi a mais detalhada, adicionando centenas de variáveis extras que tentavam capturar o momento específico do surgimento do verde, o pico de crescimento e o declínio da vegetação dentro de cada estação. O objetivo era ver qual método ajudava o computador a adivinhar melhor se um terreno específico teria novas árvores ou não.

Os resultados mostraram que a abordagem intermédia, utilizando resumos sazonais, foi a clara vencedora. Quando os modelos foram testados nos treze novos incêndios, a adição dos dados sazonais de satélite melhorou significamente a sua capacidade de distinguir entre áreas que iriam recuperar e aquelas que não iriam. Esta melhoria foi consistente em quase todos os novos incêndios, sugerindo que o método funciona bem mesmo ao passar de uma área geográfica para outra. Os modelos utilizando resumos sazonais foram capazes de classificar os locais de incêndio de forma mais precisa, ajudando os gestores a priorizar quais as áreas que deveriam visitar primeiro. Especificamente, quando os modelos foram solicitados a selecionar os vinte por cento superiores de parcelas que tinham maior probabilidade de carecer de novas árvores, a abordagem sazonal ajudou-os a encontrar uma proporção muito maior desses espaços vazios em comparação com o uso apenas dos dados ecológicos básicos.

Curiosamente, a abordagem mais detalhada não proporcionou qualquer benefício extra. Adicionar as centenas de variáveis extras que monitorizavam o tempo preciso de crescimento dentro das estações não tornou as previsões mais precisas. De facto, para os novos incêndios, o modelo detalhado teve um desempenho ligeiramente inferior ao do resumo sazonal mais simples. Isto sugere que, para fins de previsão da recuperação florestal através de diferentes incêndios, uma visão ampla do ciclo sazonal é mais fiável do que uma visão de alta resolução das mudanças diárias ou semanais. O detalhe extra pode ter introduzido demasiado ruído ou dependido excessivamente de condições locais que não se aplicavam aos novos incêndios.

O estudo também revelou uma nuance crucial sobre o que o satélite está realmente a medir. Os investigadores testaram uma versão do modelo que utilizava apenas dados de satélite de antes do incêndio ocorrer. Surpreendentemente, esta informação pré-incêndio também melhorou as previsões em comparação com a base ecológica básica. Isto significa que o sucesso do modelo sazonal não se deve unicamente ao ato de ver novas árvores a crescer após o incêndio. Em vez disso, os dados de satélite provavelmente capturam uma mistura de fatores: a condição da terra antes do incêndio, a severidade da queimada e a subsequente recuperação. Como os dados pré-incêndio já eram úteis, os investigadores concluíram que o modelo sazonal completo não pode ser creditado inteiramente com a medição da recuperação pós-incêndio de forma isolada. É uma ferramenta poderosa que combina história e condições atuais para fazer um palpite melhor.

Em última análise, este trabalho oferece um caminho prático para a gestão florestal. Demonstra que um resumo relativamente simples de observações de satélite pode ajudar os gestores a identificar quais as áreas queimadas que estão com dificuldades de recuperação e quais as que provavelmente se recuperarão sozinhas. Ao utilizar estes resumos sazonais, as agências podem focar as suas limitadas equipas de levantamento de campo nos locais que realmente precisam de atenção, em vez de desperdiçarem recursos em áreas que já estão a recuperar. Embora os modelos não sejam perfeitos e ainda não possam substituir uma visita física à floresta, eles fornecem uma forma fiável de filtrar milhares de acres e tomar decisões mais inteligentes sobre onde investir nos esforços de reflorestação. O estudo confirma que olhar para a floresta através da lente da mudança sazonal, em vez de tentar capturar cada momento fugaz de crescimento, é a forma mais eficaz de prever o futuro destas paisagens em recuperação.