Um conjunto de dados RGB de VANTs e um método para segmentação de copas de árvores por instância para monitoramento da biodiversidade

Por que contar árvores a partir do céu importa

Florestas saudáveis regulam silenciosamente nosso clima, armazenam carbono e abrigam inúmeras espécies. Ainda assim, acompanhar como árvores individuais crescem, morrem ou sofrem com doenças em grandes áreas é extremamente difícil apenas com pessoas em campo. Este estudo mostra como drones com câmeras comerciais e análise de imagem inteligente podem delinear automaticamente copas individuais em florestas tropicais densas. Essa capacidade é um passo fundamental para um monitoramento da biodiversidade detalhado e acessível e para um manejo florestal melhor em um mundo que está aquecendo.

Ver árvores individuais em um mar de verde

Vista de cima, uma floresta madura muitas vezes parece um tapete contínuo de folhas. Na realidade, ela é composta por muitas copas de árvores sobrepostas, de espécies e tamanhos diferentes. Para entender a saúde da floresta ou o armazenamento de carbono, os cientistas precisam saber onde termina uma árvore e começa a próxima. Essa tarefa, chamada segmentação de copas de árvores por instância, é especialmente difícil em florestas tropicais densas, onde copas vizinhas se misturam e sombras, sazonalidade e formas semelhantes confundem tanto humanos quanto algoritmos. Métodos tradicionais ou deixam de detectar árvores, ou fundem várias árvores em uma só, ou exigem sensores caros, como lasers. Os autores, em vez disso, focam em fazer mais com fotos coloridas simples tiradas por drones, que são muito mais baratas e fáceis de operar em todo o mundo.

Uma nova biblioteca de imagens de florestas tropicais

Para treinar e testar seus algoritmos, os pesquisadores criaram uma nova coleção de imagens chamada ForestSeg. Utilizando dois drones comerciais sobre uma floresta rica em biodiversidade próxima a Hanói, Vietnã, eles realizaram quatro campanhas em diferentes altitudes e meses. A partir desses voos, construíram imagens aéreas de alta resolução e as cortaram em pequenos blocos quadrados, cada um com 1024 por 1024 pixels, que tipicamente contêm de 6 a 10 árvores. Especialistas humanos traçaram cuidadosamente o contorno de cada copa visível, criando um total de 2.944 blocos anotados distribuídos em quatro subconjuntos. Como os voos cobrem estações e altitudes distintas, o ForestSeg captura variações na iluminação, na cor das folhas e no tamanho aparente das árvores, tornando-o um banco de testes exigente para qualquer método que afirme funcionar de forma confiável ao longo do tempo.

Quebrar árvores em pedaços para encontrar copas inteiras

Em vez de tentar desenhar os contornos das árvores de uma só vez, a equipe projetou uma estratégia em dois passos chamada TreeCoG. Primeiro, eles intencionalmente “supersegmentam” o dossel. Uma rede moderna de detecção de bordas marca limites finos na imagem do drone, fragmentando a floresta em muitos pequenos pedaços de contorno que têm baixa probabilidade de conter partes de várias árvores ao mesmo tempo. Em seguida, esses fragmentos são transformados em nós de um grafo, onde pedaços próximos são conectados e comparados. Para cada fragmento, o método mede propriedades simples de forma, como área e elongação, e também analisa quão semelhantes dois blocos vizinhos são em cor e textura. Uma rede neural gráfica então aprende, a partir de muitos exemplos rotulados, quais fragmentos vizinhos pertencem à mesma árvore e devem ser fundidos, e quais pertencem a árvores diferentes e devem permanecer separados. O resultado é um conjunto de máscaras que delineiam copas individuais de forma mais precisa do que abordagens anteriores.

Quão bem o método funciona na prática

Para avaliar o desempenho, os autores compararam o TreeCoG com ferramentas populares de deep learning para segmentação de objetos, incluindo Mask R-CNN e os modelos mais recentes do YOLO. No ForestSeg, o TreeCoG alcançou a maior precisão enquanto também rodava mais rápido que seus concorrentes, tornando-o atraente para levantamentos em grandes áreas. Ele também teve bom desempenho em um conjunto de referência europeu independente conhecido como BAMFORESTS, mostrando que a abordagem pode ser transferida para florestas de outras regiões. Ao analisar resultados nos quatro subconjuntos do ForestSeg, o estudo revela ainda como hora do dia, estação e altitude de voo influenciam o sucesso: imagens mais nítidas e ângulos solares mais baixos tendem a fornecer limites de copa mais claros, mas o método se mantém robusto mesmo quando as condições são menos favoráveis.

O que isso significa para florestas e biodiversidade

Em termos simples, este trabalho demonstra que drones baratos e algoritmos inteligentes podem identificar de forma confiável árvores individuais em algumas das florestas mais complexas da Terra. O conjunto de dados ForestSeg fornece aos pesquisadores um novo benchmark exigente, e o TreeCoG oferece uma receita prática para transformar fotos aéreas brutas em mapas detalhados de copas de árvores. Esses mapas podem alimentar etapas posteriores, como reconhecimento de espécies, monitoramento de crescimento e avaliação de saúde, ajudando cientistas e gestores florestais a monitorar a biodiversidade e os estoques de carbono com mais frequência e em áreas maiores do que era possível apenas com levantamentos de campo.

Citação: Do, M.V.H., Phung, DT., Pham, H.D.L. et al. A UAV RGB dataset and method for instance tree crown segmentation for biodiversity monitoring. Sci Rep 16, 5788 (2026). https://doi.org/10.1038/s41598-026-36541-y

Palavras-chave: silvicultura por drone, mapeamento de copas de árvores, monitoramento da biodiversidade, sensoriamento remoto, segmentação por deep learning