Swamp-AI: um modelo de deep learning para monitorar mudanças em zonas úmidas ao redor do globo

Por que observar as bordas encharcadas da Terra importa

Zonas úmidas – pântanos, brejos, deltas e planícies de inundação – protegem silenciosamente nossas costas, armazenam carbono, filtram água e abrigam a vida selvagem. No entanto, estão diminuindo em todo o mundo, muitas vezes fora de vista, em locais remotos ou de difícil acesso. Este estudo apresenta o “Swamp-AI”, um sistema de visão computacional que escaneia imagens de satélite para identificar zonas úmidas e acompanhar como suas áreas mudam ao longo do tempo, oferecendo uma forma mais rápida e barata de monitorar essas paisagens ameaçadas.

Vendo águas ocultas do espaço

Inspeções tradicionais de zonas úmidas dependem de especialistas visitando os locais, medindo plantas, solos e níveis de água. Esse tipo de trabalho de campo é lento e caro, e muitas zonas úmidas ficam em tundra sem estradas, planícies de inundação tropicais ou regiões politicamente instáveis. Satélites, por outro lado, circundam o globo a cada poucos dias, capturando imagens repetidas da superfície da Terra. O desafio é transformar essas imagens brutas em mapas confiáveis de zonas úmidas sem um exército de intérpretes humanos. Métodos anteriores de mapeamento exigiam especialistas afinando limiares ou desenhando limites manualmente, e os modelos resultantes frequentemente funcionavam apenas em um país ou para um tipo de zona úmida. O Swamp-AI busca romper esse gargalo aprendendo “assinaturas visuais” gerais de zonas úmidas que se mantêm desde a Louisiana até o delta do Mekong.

Construindo um atlas global de treinamento

Para ensinar a um algoritmo como é uma zona úmida, a equipe primeiro teve de montar um atlas de treinamento com cenas de satélite rotuladas. Eles criaram o Global Swamp Annotated Database (GSADB) usando imagens de 2019 do satélite Sentinel-2 da Europa, que fornece visões em resolução média em cores e infravermelho da Terra a cada cinco dias. A partir de 34 localidades ao redor do mundo, abrangendo 21 regiões interiores e 13 costeiras, desenharam 102 máscaras detalhadas marcando onde havia zonas úmidas. Em vez de visitar cada local, combinaram vários produtos de dados globais: um mapa de zonas úmidas existente em resolução de 30 metros, um modelo digital de elevação que indica terrenos baixos e sujeitos a inundação, e um índice de vegetação que destaca plantas verdes e em crescimento. Quatro anotadores verificaram o trabalho uns dos outros, descartando cenas quando não havia concordância, e definiram uma única classe ampla de “zona úmida” para manter os rótulos consistentes desde os brejos árticos até os pântanos tropicais.

Ensinando a máquina a reconhecer terreno encharcado

Com esse atlas, os pesquisadores treinaram 15 modelos diferentes de deep learning que realizam “segmentação semântica” – atribuindo a cada pixel de uma imagem a classe zona úmida ou não zona úmida. Eles testaram três arquiteturas de rede populares que têm bom desempenho em exames médicos e outras imagens ambientais, e combinaram cada uma com cinco formas de medir erros de treinamento, conhecidas como funções de perda. Como as zonas úmidas geralmente eram minoria em cada cena, também experimentaram funções de perda adaptadas a dados desbalanceados. As imagens de treinamento foram divididas por critérios geográficos, não ao acaso, de modo que os modelos fossem sempre testados em lugares que nunca haviam visto nas proximidades, reduzindo o risco de sobreajuste a particularidades locais.

Escolhendo um vencedor e testando no mundo real

Após o treinamento, os modelos com melhor desempenho passaram por testes mais rigorosos. A equipe criou um conjunto de testes independente usando imagens mais nítidas, com resolução de três metros, de três reservas de vida selvagem nos Estados Unidos, e então reamostrou os contornos de zonas úmidas desenhados à mão para coincidir com a resolução mais grossa do Sentinel-2. O campeão mostrou-se ser uma rede chamada ResUNet34 combinada com uma perda híbrida “focal-dice”. Essa versão do Swamp-AI rotulou corretamente cerca de 94% dos pixels no geral e obteve uma pontuação de intersection-over-union – uma medida rigorosa de quão bem as áreas previstas e reais de zona úmida se sobrepõem – de aproximadamente 75%. Verificações visuais mostraram que ela continuou a detectar brejos e pântanos mesmo fora das regiões usadas nos testes. Os autores então aplicaram o Swamp-AI a zonas úmidas famosas no mundo e descobriram que, com um ajuste leve de seu limiar interno de confiança, manteve alta acurácia desde turfeiras frias do norte até planícies de inundação tropicais.

Acompanhando uma linha costeira em retração em Nova York

Para ilustrar como o Swamp-AI pode ser usado na prática, a equipe monitorou ilhas de marisma salina na Jamaica Bay, Nova York, de 2019 a 2024. Ao rodar o modelo em compósitos de imagens anuais, estimaram que as ilhas da baía perderam coletivamente cerca de 18 hectares de zona úmida por ano, com algumas ilhas permanecendo relativamente estáveis enquanto outras mostraram sinais fortes de retrocesso. A comparação entre imagens tiradas em maré alta e baixa em 2024 revelou outra nuance: quando os níveis de água estavam baixos e as superfícies de marisma expostas, o Swamp-AI detectou quase 30% a mais de área de zona úmida do que na vista de maré alta, ressaltando o quanto o mapeamento por satélite pode ser sensível ao momento da captura e ao nível da água.

Um novo sistema de aviso prévio para perda de zonas úmidas

Para não especialistas, a mensagem chave é que o Swamp-AI atua como um inspetor automatizado de zonas úmidas, varrendo feeds globais de satélite e sinalizando onde áreas vegetadas e encharcadas estão estáveis ou desaparecendo. Ainda não consegue distinguir detalhes finos como espécies vegetais ou subtipos de zonas úmidas, e herda algumas limitações dos mapas de referência usados em seu treinamento. Ainda assim, ao fornecer mapas rápidos e globalmente consistentes com acurácia comparável a muitos estudos locais, o Swamp-AI oferece a conservacionistas e planejadores uma ferramenta de alerta precoce. Pode ajudar a direcionar pesquisas de campo dispendiosas para os locais mais em risco e apoiar decisões mais inteligentes sobre restauração, defesa costeira e resiliência climática.

Citação: Andros, C.S., Conery, I.W., Alvarado, T.R. et al. Swamp-AI: a deep learning model for monitoring wetlands change across the globe. Sci Rep 16, 8830 (2026). https://doi.org/10.1038/s41598-026-39257-1

Palavras-chave: zonas úmidas, sensoriamento remoto, deep learning, monitoramento ambiental, imagens de satélite