Registro sem alvos de nuvens de pontos UAV‑LiDAR baseado em correspondência por grafo de posições de árvores em ambientes florestais

Por que alinhar visões a laser de florestas é importante

As florestas armazenam carbono, abrigam a vida selvagem e ajudam a regular o clima, mas é difícil medir sua estrutura árvore por árvore em grandes áreas. Pequenos drones com sensores a laser (UAV‑LiDAR) podem mapear florestas com detalhes notáveis, porém seus dados são coletados em trajetórias de voo sobrepostas que muitas vezes não se alinham perfeitamente, especialmente sob copas densas onde os sinais de navegação por satélite são fracos. Este estudo apresenta uma forma de fazer esses escaneamentos a laser sobrepostos se encaixarem corretamente usando as próprias árvores como pontos de referência naturais, sem precisar de alvos artificiais no solo.

Ver a floresta com lasers voadores

Pesquisas florestais modernas dependem cada vez mais do LiDAR, uma tecnologia que emite pulsos de luz e mede quanto tempo levam para retornar. Montado em drones, o LiDAR pode capturar a forma de copas, galhos e superfícies do solo com resolução centimétrica. Entretanto, um drone normalmente voa em caminhos longos e paralelos, criando tiras de nuvens de pontos que deveriam se sobrepor como telhas num telhado. Pequenos erros de navegação, bloqueio pela copa e terreno acidentado fazem com que essas tiras raramente coincidam perfeitamente. Métodos tradicionais de alinhamento buscam por trechos de solo plano ou por características geométricas simples, que são escassas ou ocultas em florestas reais. Os autores, em vez disso, concentram‑se em algo abundante e ecologicamente significativo: o padrão das árvores individuais.

Usando as árvores como uma rede natural de âncoras

A nova estrutura começa separando solo e vegetação em cada tira de LiDAR e construindo modelos detalhados de altura do terreno e da copa. A partir disso, o software identifica os ápices de árvores individuais e trata cada árvore como um nó numa rede. Para cada árvore, registra‑se a distância aos vizinhos no solo, quanto diferem em altura e como se posicionam em relação uns aos outros verticalmente. Essas relações espaciais simples formam uma espécie de impressão digital do entorno de cada árvore. O método então compara árvores entre tiras sobrepostas, buscando o melhor pareamento um a um que preserve o padrão geral de espaçamento e altura. Essa etapa de correspondência é resolvida com um algoritmo rigoroso originalmente desenvolvido para alinhar sequências biológicas, garantindo que o conjunto mais consistente de correspondências de árvores seja escolhido em toda a parcela.

Ajustando finamente o encaixe em três dimensões

Encontrar árvores correspondentes é apenas metade da tarefa; os escaneamentos ainda precisam ser rotacionados e deslocados para que as árvores correspondentes ocupem o mesmo lugar no espaço 3D. Para isso, os autores utilizam uma abordagem de otimização inspirada no comportamento de aglomeração de pássaros, conhecida como otimização por enxame de partículas. Muitas soluções de teste, cada uma representando uma combinação diferente de rotações e deslocamentos, percorrem o espaço de busca, guiadas em direção ao arranjo que aproxima ao máximo as árvores correspondentes enquanto ignora outliers evidentes. Esse processo produz uma transformação tridimensional precisa que alinha uma tira de LiDAR à outra sem depender de marcadores externos ou de posicionamento por satélite de alta qualidade, tornando‑o particularmente útil em florestas onde os sinais de navegação são pouco confiáveis.

Quão bem isso funciona em florestas reais?

A equipe testou o método em um parque florestal costeiro no sudeste da China, usando dados de oito parcelas circulares que representam diferentes espécies, idades e densidades de troncos. As parcelas continham choupo, sequóia‑do‑amanhecer (Metasequoia), pinheiro‑silvestre e outras espécies, com copas densas em estação de folhas e densidades de pontos LiDAR muito altas. Após o registro, os erros típicos de espaçamento entre árvores pareadas foram de apenas algumas dezenas de centímetros, com desvios quadráticos médios (RMS) tão baixos quanto cerca de 17–27 cm dependendo da espécie. A proporção de árvores corretamente pareadas aumentou em aproximadamente 17–27 por cento em comparação com um método de referência amplamente usado, e as melhorias foram especialmente fortes em povoamentos com copas distintas e bem separadas, como a sequóia‑do‑amanhecer. Povoamentos deciduos densos com copas sobrepostas permaneceram desafiadores, indicando onde serão necessárias ferramentas melhores de segmentação de árvores no futuro.

O que isso significa para o monitoramento florestal

Ao tratar as árvores como pontos numa rede em vez de objetos isolados, essa estrutura oferece uma maneira robusta e sem alvos de alinhar vários escaneamentos UAV‑LiDAR em uma única visão 3D coerente da floresta. Para não especialistas, a mensagem principal é que agora podemos costurar levantamentos repetidos por drone de florestas com maior precisão, mesmo onde os sinais de satélite são fracos e o solo está escondido sob a folhagem. Esse nível de alinhamento é adequado para mapear a estrutura da copa, acompanhar o crescimento florestal e apoiar estudos de biodiversidade e armazenamento de carbono, embora ainda não seja preciso o bastante para tarefas em escala de milímetros, como medições detalhadas de troncos. À medida que drones e scanners a laser se tornam mais comuns na silvicultura, métodos como este ajudarão a transformar vastas nuvens de pontos laser em mapas confiáveis e comparáveis que revelam como as florestas mudam ao longo do tempo.

Citação: Fekry, R., Ali, E., Sani-Mohammed, A. et al. Target-less registration of UAV-LiDAR point clouds based on graph matching of tree locations in forest environments. Sci Rep 16, 12373 (2026). https://doi.org/10.1038/s41598-025-29590-2

Palavras-chave: UAV LiDAR, mapeamento florestal, registro de nuvem de pontos, detecção de árvores, sensoriamento remoto