GAN-Based Sample Augmentation for Improving Above-Ground Biomass Inversion of Salt Marsh Vegetation Using Multi-Source Remote Sensing Data

Os ecossistemas de zonas úmidas costeiras estão entre os sumidouros de carbono mais eficientes da Terra, atuando como poderosos motores naturais que retiram gases de efeito estufa da atmosfera e os aprisionam no solo e no tecido das plantas. Esses ecossistemas, frequentemente chamados de habitats de "carbono azul", incluem marismas onde plantas especializadas prosperam em condições salinas e de maré. Para entender quanto carbono essas áreas armazenam, os cientistas devem medir a "biomassa acima do solo", que é simplesmente o peso total de todo o material vegetal vivo — caules, folhas e ramos — crescendo acima do solo. Tradicionalmente, obter esse número tem sido um processo lento e trabalhoso, exigindo que pesquisadores caminhem por campos lamacentos, cortem plantas à mão, sequem-nas em estufas e as pesem. Embora preciso, esse método só consegue cobrir minúsculas parcelas de terra, tornando difícil obter uma imagem completa de vastas e remotas zonas úmidas.

Para resolver esse problema, os pesquisadores estão recorrendo a satélites que podem ver toda a paisagem de uma só vez, mas essas ferramentas espaciais precisam de dados de verdade de campo para aprender a ler os dados corretamente. Um novo estudo na Zona Úmida de Liaohe, na China, aborda o desafio de ter poucas medições de campo usando uma técnica inteligente de inteligência artificial para criar amostras "virtuais" realistas. Ao combinar imagens de satélite com um conjunto limitado de dados reais de campo, a equipe desenvolveu um método para estimar o peso das plantas em toda a região com uma precisão surpreendente. O trabalho deles oferece uma nova maneira de monitorar esses ecossistemas críticos, ajudando os cientistas a rastrear o armazenamento de carbono sem a necessidade de visitar cada metro quadrado do marisma.

A Zona Úmida de Liaohe, localizada onde o Rio Liaohe encontra o Mar de Bohai, é uma vasta extensão de planícies de maré e vegetação tolerante ao sal. É o lar de dois tipos de plantas dominantes: o alto, semelhante a um junco, Phragmites australis e a erva baixa e tolerante ao sal, Suaeda glauca. Essas plantas são vitais para o ciclo de carbono da região, mas sua distribuição é complexa, mudando com as marés e as estações. Para mapear sua biomassa, a equipe de pesquisa primeiro coletou dados do mundo real ao longo de vários anos, visitando pontos específicos em julho, novembro e setembro para medir o peso seco das plantas. Eles combinaram essas medições com imagens dos satélites Sentinel-2 da Agência Espacial Europeia, que capturam visões detalhadas da superfície da Terra em várias cores de luz, incluindo aquelas invisíveis ao olho humano.

O desafio era que a equipe tinha apenas 53 locais de medição real, um número pequeno demais para treinar um modelo de computador para prever com precisão a biomassa em toda a zona úmida de 128.000 hectares. Se um computador aprende com poucos exemplos, ele frequentemente falha quando confrontado com novas áreas não observadas. Para superar isso, os pesquisadores empregaram uma Rede Adversária Generativa (Generative Adversarial Network), um tipo de inteligência artificial que funciona como um par de programas concorrentes. Um programa, o gerador, tenta criar dados falsos que pareçam exatamente com as medições reais, enquanto o outro, o discriminador, tenta detectar as falsificações. À medida que eles jogam esse jogo repetidamente, o gerador torna-se cada vez melhor em produzir amostras sintéticas que são estatisticamente indistinguíveis das reais.

Usando este método, a equipe expandiu seu pequeno conjunto de 53 amostras reais para um conjunto de treinamento muito maior de 600 amostras, sendo 300 para cada tipo de planta. Essas novas amostras virtuais não eram palpites aleatórios; elas preservavam os padrões estatísticos exatos e as relações encontradas no mundo real, como o fato de que juncos mais altos geralmente correspondem a sinais específicos nas imagens de satélite. Os pesquisadores então treinaram uma rede neural, um modelo de computador semelhante a um cérebro, com esse conjunto de dados expandido para aprender a relação complexa e não linear entre os sinais de satélite e o peso real das plantas. Eles testaram essa abordagem contra outros métodos comuns de aprendizado de máquina, descobrindo que sua rede neural, impulsionada pelos dados aumentados, superou consistentemente os outros.

Os resultados mostraram uma melhoria significativa na precisão. Para os juncos altos, a capacidade do modelo de prever o peso correto melhorou substancialmente, com a taxa de erro caindo quase 100 gramas por metro quadrado em comparação com os modelos treinados apenas com o conjunto de dados original pequeno. Para as ervas menores, a melhoria também foi clara, com o modelo tornando-se muito mais confiável na estimativa de sua biomassa. Quando a equipe aplicou seu modelo de melhor desempenho a toda a zona úmida usando imagens de satélite de setembro de 2024, produziu um mapa detalhado do peso das plantas ao longo da paisagem. O mapa revelou que os juncos altos, concentrados nos trechos superiores do estuário, detinham um peso médio de 514,22 gramas por metro quadrado, enquanto as ervas menores nas planícies de lama mais abertas e baixas tinham uma média de 230,07 gramas por metro quadrado.

Este estudo demonstra que a inteligência artificial pode efetivamente preencher a lacuna entre o trabalho de campo limitado e a necessidade de monitoramento ambiental em larga escala. Ao gerar dados virtuais realistas, os cientistas podem construir modelos mais robustos que funcionam bem mesmo quando as medições de campo são escassas. As descobertas confirmam que a Zona Úmida de Liaohe é um reservatório significativo de carbono, com os juncos altos armazenando a grande maioria da biomassa. Esta abordagem fornece uma ferramenta escalável e confiável para avaliar a saúde e a capacidade de armazenamento de carbono das zonas úmidas costeiras, oferecendo um apoio crucial aos esforços globais para compreender e proteger esses vitais ecossistemas de carbono azul.