Desenvolvimento e otimização de um modelo de morfodiversidade para áreas montanhosas usando classificação supervisionada e redes neurais artificiais

Por que a Forma das Montanhas Importa

Quando pensamos em proteger a natureza, normalmente imaginamos plantas e animais raros. Mas o solo sob eles — os penhascos, vales, cristas e desfiladeiros — modela silenciosamente onde a vida pode prosperar. Este artigo explora como medir essa variedade física, chamada morfodiversidade, de forma precisa e automatizada. Focando nas Montanhas Pieniny, na Polônia, o autor mostra como técnicas computacionais modernas, incluindo redes neurais artificiais, podem transformar dados de elevação detalhados em mapas confiáveis que auxiliam o planejamento de conservação e uso do solo.

Um Laboratório Montanhoso para a Variedade da Paisagem

As Montanhas Pieniny, que se estendem pela fronteira polaco‑eslovaca, são uma cadeia compacta, porém notavelmente diversa. Penhascos calcários íngremes, desfiladeiros profundos como o famoso Desfiladeiro do Rio Dunajec, encostas de flysch mais suaves, rochas vulcânicas e fundos de bacias planos coexistem lado a lado. Essa mistura de tipos de rocha e formas de relevo cria um mosaico de habitats, desde cristas ensolaradas até vales sombreados, que por sua vez sustenta uma rica biodiversidade. Como a área foi mapeada e estudada em detalhe, ela serve como um “laboratório” ideal para testar novas formas de quantificar o quão variada a paisagem realmente é, muito além do que o olho pode avaliar facilmente a partir de um mapa ou mirante.

Da Elevação Bruta à Variedade Mensurável do Terreno

O estudo parte de um modelo digital de elevação de alta resolução, uma descrição tridimensional detalhada da superfície do terreno. A partir dele, o autor deriva sete feições básicas do terreno: altitude, declive, aspecto (a direção para a qual uma encosta aponta), dois tipos de curvatura (como as superfícies se curvam), diferenças locais de altitude e a presença de afloramentos rochosos. A região é então sobreposta por milhares de células hexagonais de tamanho regular. Dentro de cada célula, o computador mede o quanto essas feições do terreno variam de pixel para pixel. Em vez de simplesmente contar quantos “tipos” de formas de relevo estão presentes, o método trata a variação em si como o sinal: quanto mais mudança em altura, inclinação ou direção dentro de uma célula, mais morfodiversa ela tende a ser.

Treinando um Classificador Digital para Reconhecer Terrenos Complexos

Para transformar esses números em um mapa com significado, o estudo usa classificação supervisionada e redes neurais artificiais — modelos computacionais vagamente inspirados em como cérebros aprendem padrões. Especialistas humanos marcam primeiro células de exemplo como claramente “morfodiversas” (picos acidentados, cristas rochosas, vales profundamente entalhados, paredes dramáticas de desfiladeiros) ou “não morfodiversas” (fundos planos de vales, superfícies de lagos, encostas amplas e suaves). Esses exemplos rotulados ensinam à rede neural que combinações de altitude, declive e outras feições tipicamente correspondem a terreno complexo. Uma vez treinada, a rede atribui uma probabilidade a cada célula da região, indicando quão provável é que ela pertença à classe morfodiversa. O resultado é um mapa contínuo que pode posteriormente ser agrupado em categorias intuitivas, de morfodiversidade muito baixa a muito alta.

Poda dos Dados para Manter Apenas o que Importa

Métodos antigos frequentemente somavam muitos indicadores do terreno, contando involuntariamente a mesma informação várias vezes e borrando a imagem. Este estudo enfrenta esse problema combinando redes neurais com análise global de sensibilidade, uma técnica que testa quanto cada entrada de fato contribui para previsões precisas. Ao “desligar” variáveis gradualmente e acompanhar as mudanças no erro do modelo, o autor identifica quais feições carregam informação real e quais são em grande parte redundantes. Os modelos otimizados mostram que apenas um punhado de fatores — diferenças de altura dentro de uma célula, altitude geral, declive, o padrão das direções de declive e a presença de afloramentos rochosos — são suficientes para capturar a estrutura essencial da morfodiversidade. Mesmo após remover entradas de baixo valor, os modelos simplificados ainda correspondem muito de perto às versões completas, com valores de correlação tão altos quanto 0,96–0,98.

O Que os Resultados Significam para a Proteção da Natureza

O modelo refinado, especialmente a versão RCMSC–ANN–M, produz mapas que se alinham bem com o entendimento dos geomorfólogos sobre a paisagem dos Pieniny. Ele ressalta não apenas as cristas elevadas e as paredes de desfiladeiros espetaculares, mas também áreas morfologicamente complexas em encostas de vales e sopés que poderiam passar despercebidas. Como o método se baseia em dados de elevação amplamente disponíveis e em um conjunto compacto de variáveis-chave, ele pode ser adaptado a outras regiões montanhosas do mundo. Para planejadores de conservação, isso oferece uma forma objetiva de localizar e comparar áreas “geologicamente ricas” que sustentam biodiversidade e valor cênico, ajudando a priorizar onde a proteção, o manejo do turismo ou levantamentos de campo detalhados devem se concentrar.

Citação: Bartuś, T. Development and optimization of a morphodiversity model for mountainous areas using supervised classification and artificial neural networks. Sci Rep 16, 6009 (2026). https://doi.org/10.1038/s41598-026-36326-3

Palavras-chave: geodiversidade, morfodiversidade, paisagens montanhosas, redes neurais, geoconservação