Valor de dados hiperespectrais para mapeamento parede a parede da vegetação de áreas úmidas em paisagens heterogêneas

Por que mapear paisagens aquáticas é importante

As áreas úmidas estão entre os ecossistemas mais produtivos e mais ameaçados do planeta. Elas armazenam carbono, amortecem enchentes e abrigam plantas e animais raros — mas também são de difícil acesso e ainda mais difíceis de mapear em detalhe a pé. Este estudo faz uma pergunta prática que gestores de parques e conservacionistas enfrentam em todo lugar: precisamos mesmo de voos hiperespectrais caros e de ponta para entender a vegetação de áreas úmidas, ou imagens aéreas mais simples e baratas já dão conta do recado?

Observando um labirinto de pântanos

Os pesquisadores concentraram-se no Parque Nacional Narew, no nordeste da Polônia, um dos maiores complexos de planícies de inundação da Europa. Ali, um rio ramificado de múltiplos canais serpenteia por um vale plano repleto de campos de juncos, charcos de carex, pradarias alagadas, turfeiras de terras baixas, moitas de salgueiro e florestas ribeirinhas. Muitas áreas são de difícil ou nulo acesso por terra, e a vegetação vem mudando à medida que a agricultura tradicional decline e os níveis de água caem. Para acompanhar essas mudanças, a equipe combinou botânica de campo com sensoriamento remoto aéreo em mais de 300 quilômetros quadrados.

Aviões, lasers e muitas cores de luz

No verão de 2020, aviões coletaram três tipos de dados sobre o parque. Sensores hiperespectrais registraram centenas de bandas de cor muito estreitas do visível ao infravermelho de ondas curtas, captando diferenças sutis na química e na umidade das folhas. Um scanner LiDAR disparou pulsos a laser para medir a estrutura tridimensional da vegetação, como altura e complexidade do dossel. Uma câmera RGBN de alta resolução capturou imagens familiares em vermelho, verde, azul e infravermelho próximo com detalhamento de 10 centímetros, a partir das quais a equipe também calculou um índice de vegetação e medidas de textura em escala fina que descrevem como os tons dos pixels variam em pequenas vizinhanças. No campo, botânicos mapearam quase 2.000 parcelas de referência, distinguindo 30 classes detalhadas de vegetação que vão desde água aberta até comunidades específicas de pântanos e florestas.

Treinando um computador para reconhecer padrões de plantas

Os cientistas então treinaram um modelo de aprendizado de máquina (CatBoost) para prever o tipo de vegetação para cada metro quadrado, testando quatro combinações de dados. O conjunto com mais informação juntou dados hiperespectrais com LiDAR; um segundo usou apenas LiDAR; um terceiro fundiu LiDAR com imagens RGBN; e um quarto adicionou camadas de textura a essa mistura RGBN‑LiDAR. Ao treinar e validar repetidamente o modelo em diferentes subconjuntos das parcelas de campo, avaliaram com que frequência ele identificava corretamente cada classe. Também compararam o quão semelhantes eram os mapas resultantes entre si e em relação a um mapa de vegetação existente desenhado manualmente para o parque, usando inspeção visual e um índice padrão de sobreposição.

O que se ganha e se perde sem dados hiperespectrais

O conjunto combinado hiperespectral mais LiDAR teve, claramente, o melhor desempenho, classificando corretamente cerca de 82% das localidades no geral e fornecendo resultados fortes para muitas comunidades individuais, especialmente florestas, juncais e moitas de salgueiro. Usar apenas LiDAR reduziu a acurácia para cerca de 63%, nível que os autores consideram baixo demais para decisões de conservação. Substituir dados hiperespectrais por imagens RGBN melhorou substancialmente em comparação com apenas LiDAR: a acurácia subiu para cerca de 72–73%, com as camadas de textura fornecendo apenas um pequeno ganho adicional. Para alguns tipos de vegetação — como plantas de água aberta, certos juncais e turfeiras de terras baixas — a abordagem RGBN mais textura aproximou‑se do desempenho dos dados hiperespectrais. Para outros, particularmente comunidades de herbáceas altas e alguns charcos de carex e tipos de arbustos, a perda do detalhe hiperespectral causou quedas marcantes na confiabilidade.

Vendo mais do que mapas de campo sozinhos mostram

Quando os novos mapas de sensoriamento remoto foram comparados ao mapa tradicional de vegetação baseado em campo usado no plano de manejo do parque, as diferenças foram notáveis. Os dados de aeronave revelaram muitos fragmentos pequenos, porém ecologicamente importantes — como pradarias sobre minúsculos montículos minerais e fragmentos de vegetação rara de turfeira — que o mapa de campo havia perdido ou generalizado em unidades amplas. O sensoriamento remoto também capturou mosaicos complexos onde diferentes comunidades de pântano se entrelaçam pela planície de inundação. Ao mesmo tempo, alguns tipos de pastagens muito finos identificados por botânicos permaneceram difíceis de separar apenas por imagem, ressaltando o valor contínuo do trabalho de campo especialista.

O que isso significa para proteger áreas úmidas

Para gestores de áreas úmidas protegidas, o estudo entrega uma mensagem nuanceada. Se os orçamentos permitem, combinar dados hiperespectrais e LiDAR oferece os mapas parede a parede mais precisos e melhor suporte para manejo detalhado de habitats. Contudo, onde voos tão avançados são caros demais, fundir imagens RGBN mais acessíveis com LiDAR ainda produz mapas úteis e razoavelmente precisos para muitos tipos de vegetação, especialmente quando enriquecidos com informações de textura. Acima de tudo, o trabalho mostra que o sensoriamento remoto aerotransportado — seja de ponta ou mais modesto — pode enriquecer e complementar muito o mapeamento de campo tradicional, revelando o fino mosaico da vegetação de áreas úmidas que sustenta a biodiversidade e orienta decisões de conservação mais inteligentes.

Citação: Jarocińska, A., Kopeć, D., Niedzielko, J. et al. Value of hyperspectral data for wall to wall wetland vegetation mapping in heterogeneous landscapes. Sci Rep 16, 13947 (2026). https://doi.org/10.1038/s41598-026-44275-0

Palavras-chave: mapeamento de áreas úmidas, sensoriamento remoto, imagens hiperespectrais, LiDAR, classificação da vegetação