Synthetic Aperture Radar, Multi-Source Data Fusion, and Machine Learning for Aboveground Biomass and Carbon Stock Estimation: A Systematic Review and Bibliometric Analysis
Esta revisão sistemática e análise bibliométrica sintetiza 68 estudos de 2004 a 2026 para demonstrar como a integração de Radar de Abertura Sintética, sensoriamento remoto de múltiplas fontes e aprendizado de máquina avançou a estimativa da biomassa acima do solo e do estoque de carbono, ao mesmo tempo em que destaca uma lacuna crítica de pesquisa na aplicação desses frameworks robustos e escaláveis em ambientes urbanos heterogêneos de árvores.
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
As árvores são os pulmões do planeta, respirando dióxido de carbono e armazenando-o em madeira, folhas e raízes. Este carbono armazenado é um contrapeso vital aos gases de efeito estufa que aquecem a nossa atmosfera. Para entender quanto carbono as florestas do mundo retêm, ou quanto as árvores de rua de uma cidade podem salvar, os cientistas devem medir a "biomassa acima do solo", que é simplesmente o peso total de todo o material vegetal vivo acima do solo. Durante décadas, a única forma de obter uma contagem precisa era entrar em uma floresta, medir cada árvore com uma fita métrica e fazer as contas à mão. Embora este método seja preciso, é lento, caro e impossível de realizar em todos os lugares ao mesmo tempo. Hoje, temos uma maneira mais rápida: olhar para a Terra do espaço. Os satélites agora podem tirar fotos de florestas e cidades, usando diferentes tipos de "olhos" para ver o que o olho humano não consegue. Alguns satélites veem cores, outros veem a forma do dossel e alguns usam radar, que rebate ondas invisíveis nas árvores para revelar sua estrutura, mesmo através das nuvens.
Uma nova revisão de pesquisa científica reúne as descobertas mais recentes sobre como estamos usando essas ferramentas espaciais para contar árvores e estimar seu carbono. Os pesquisadores por trás desta revisão, Temitope Emmanuel Paul, Adedayo Adeleke e Abel Ramoelo, não foram a campo eles mesmos. Em vez disso, eles reuniram e analisaram 68 estudos diferentes publicados entre 2004 e 2026. O objetivo deles era observar como os cientistas estão combinando dados de diferentes satélites e usando programas de computador inteligentes para descobrir quanto carbono está armazenado nas árvores, tanto em florestas selvagens quanto em nossas cidades. Eles descobriram que os melhores resultados não vêm do uso de apenas um tipo de imagem de satélite, mas sim da mistura deles. Ao combinar a informação de cor das câmeras ópticas, os detalhes estruturais dos scanners a laser e a visão de qualquer condição climática do radar, os cientistas podem construir um quadro muito mais claro da saúde e do tamanho de uma floresta.
A história desta pesquisa é de uma evolução rápida. Nos primeiros anos do período que estudaram, os cientistas tentavam majoritariamente usar ferramentas únicas para resolver o problema. Eles podiam depender de um satélite que vê cores, ou um que usa radar, mas raramente ambos. A revisão mostra que essa abordagem mudou. Hoje, os estudos mais bem-sucedidos misturam dados de múltiplas fontes. Eles pegam os dados espectrais, que nos dizem sobre o verde e a saúde das folhas, e os combinam com dados estruturais que revelam a altura e a densidade dos galhos. Uma das ferramentas mais poderosas nesta mistura é o radar, que envia sinais de micro-ondas que podem penetrar as nuvens e ver a forma das árvores mesmo quando o céu está nublado. Outra ferramenta fundamental é o LiDAR, que utiliza pulsos de laser para criar um mapa 3D preciso do chão da floresta e do dossel acima dele. Quando os pesquisadores fundem esses diferentes tipos de informação, a precisão de suas estimativas de carbono melhora significativamente em comparação ao uso de uma única fonte isolada.
Para dar sentido a todos esses dados misturados, os cientistas estão recorrendo ao aprendizado de máquina (machine learning). Estes são programas de computador que aprendem com exemplos em vez de seguir um conjunto fixo de regras. A revisão descobriu que os programas mais confiáveis e amplamente utilizados são os métodos "ensemble", que funcionam combinando as previsões de muitos modelos menores para chegar a uma resposta final. Entre estes, um método chamado Random Forest tem sido a escolha mais popular e robusta. Ele lida muito bem com os dados desordenados e complexos dos satélites e pode nos dizer quais pedaços de informação foram mais importantes para o cálculo final. Outras ferramentas poderosas, como o Extreme Gradient Boosting, também estão sendo usadas para extrair ainda mais precisão. Mais recentemente, o aprendizado profundo (deep learning), um tipo de inteligência artificial que imita o cérebro humano, começou a aparecer na pesquisa. Esses sistemas avançados são particularmente bons em identificar árvores individuais em ruas de cidades lotadas, mas exigem grandes quantidades de dados de treinamento e computadores potentes para funcionar de forma eficaz.
Apesar desses impressionantes saltos tecnológicos, a revisão destaca uma lacuna significativa em nosso conhecimento. Embora tenhamos aprendido muito sobre como medir o carbono em vastas e contínuas florestas, sabemos muito menos sobre como fazê-lo em cidades. Os ambientes urbanos são incrivelmente complexos; as árvores estão espalhadas entre edifícios, estradas e concreto, e suas formas são frequentemente distorcidas pelas estruturas ao redor. Os pesquisadores descobriram que pouquíssimos estudos aplicaram com sucesso a poderosa combinação de radar e aprendizado de máquina para árvores urbanas. A maioria dos estudos focados em cidades ainda depende fortemente de imagens ópticas e varreduras a laser, muitas vezes deixando de fora os dados de radar que poderiam ajudar a ver através das nuvens e compreender a estrutura das árvores em condições difíceis. Esta é uma oportunidade perdida, pois as cidades estão se tornando cada vez mais importantes para soluções climáticas, e precisamos de maneiras precisas de contar o carbono em nossas árvores de rua para planejar um futuro mais fresco.
O caminho a seguir, segundo os autores, envolve preencher essa lacuna. Eles sugerem que as pesquisas futuras devem focar na criação de modelos que possam funcionar em diferentes tipos de paisagens, desde florestas tropicais densas até centros urbanos movimentados. Isso significa desenvolver melhores maneiras de lidar com os desafios únicos das cidades, onde os sinais de radar podem bater nos edifícios e criar ecos confusos. Também significa construir formas padronizadas de testar esses modelos, para que um método desenvolvido em uma cidade possa ser confiável em outra. A revisão conclui que, embora tenhamos feito progressos tremendos na combinação de dados de satélite e inteligência artificial, o verdadeiro trabalho reside em tornar essas ferramentas robustas o suficiente para lidar com a realidade desordenada do mundo. Ao refinar esses métodos, podemos passar de estimar o carbono em traços gerais para contá-lo com precisão, fornecendo os dados claros de que precisamos para gerir nossas florestas e cidades para um clima estável.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.