Nos últimos anos, a disponibilidade de grandes conjuntos de dados combinados com a melhoria dos algoritmos e o crescimento exponencial da capacidade de computação, levaram a um aumento sem precedentes no tópico de aprendizado de máquina. Atualmente, os algoritmos de aprendizado de máquina são empregados com sucesso para tarefas de classificação, regressão, agrupamento ou redução de dimensionalidade de grandes conjuntos de dados de entrada especialmente de alta dimensão.

O aprendizado de máquina provou ter habilidades sobre-humanas em vários campos da ciência. Como resultado, grande parte da nossa vida diária, por exemplo, com o reconhecimento de imagem e fala em pesquisas na web, detecção de fraudes, filtragem de e-mails/spam, pontuações de crédito, e várias outras atividades rotineiras são movidos por algoritmos de aprendizado de máquina.

O Machine Learning (em português: “Aprendizado de Máquina”) é um ramo importante da inteligência artificial que fornece algumas vantagens significativas sobre os métodos estatísticos tradicionais para analisar dados ecológicos florestais quando conjuntos de dados suficientemente grandes estão disponíveis como conjuntos de treinamento de modelo. Os processos de aplicação de ML incluem principalmente:

(i)               a seleção de dados relevantes e seu pré-processamento;

(ii)             a seleção de algoritmos adequados;

(iii)           soluções de avaliação de qualidade.

Desde 1990 o uso de ML tem sido amplamente empregado em diversos estudos, mas somente nas últimas décadas tem sido estudado a fundo o seu uso em florestas e na agricultura.

 

Aplicação de técnicas de aprendizado de máquina em setores florestais

As técnicas de ML têm sido amplamente adotadas e colocadas em prática por pesquisadores em ecossistemas florestais, incluindo:

(i)               modelagem de distribuição de espécies;

(ii)             avaliação e previsão de perigo e;

(iii)           aplicações em manejo florestal.

 

Modelos de distribuição de espécies

Muitos algoritmos de ML têm sido usados ​​para estudar o impacto das mudanças ambientais na biodiversidade. Estudos podem usar as informações de aprendizado de máquina para prever a distribuição futura de espécies de árvores e se elas serão ou não, afetadas pelas mudanças climáticas, podendo ser previsto para várias décadas afrente do tempo atual. Essa possibilidade de uso da ML, pode ajudar nas estratégias de preservação de espécies potencialmente afetadas com o aquecimento global.

 

Avaliação e previsão de perigos

Riscos naturais causados ​​por surtos de insetos estão entre os distúrbios mais difundidos que afetam o equilíbrio dos ecossistemas florestais em diferentes regiões. A utilização de ML pode ser útil para avaliar imagens de áreas onde estão sendo atacadas por determinada praga. Além disso, redes neurais podem ser usadas para investigar os padrões de surtos de besouros e as relações casuais em ecossistemas de floresta secundária.

A classificação de sensibilidade de árvores para doenças e pragas pode fornecer informações que podem ser usadas para avaliar situações perigosas atuais ou futuras em florestas de interesse. Aumentando a precisão da previsão de pragas florestais

 

Outras aplicações no manejo florestal

O mapeamento florestal é uma medida chave no manejo florestal. A umidade do solo pode limitar a estrutura e a orientação das folhas, especialmente em ambientes semiáridos; assim, a classificação das espécies de árvores torna-se mais difícil. Cada vez mais, os métodos de ML têm sido usados no mapeamento e monitoramento da cobertura da terra com base em dados de sensoriamento remoto.

Medição de diâmetro em toras de madeira, baseada em inteligência artificial (Reprodução: Timbeter)

O uso da Inteligência Artificial e de outras tecnologias como as associadas ao Big Data & Analytics, têm o potencial de permitir um processamento de dados muito maior e mais rápido, com melhor qualidade da informação gerada. Isso porque, com o Machine Learning e a capacidade das máquinas em identificar padrões e correlações complexas em níveis detalhados, a análise das variáveis que determinam a produtividade de uma floresta é muito mais precisa, a ponto de gerar modelos e projeções de resultados muito mais fidedignos aos obtidos no campo

 

Principais limitações do uso de ML no setor florestal

ML é uma ferramenta poderosa de classificação, modelagem e previsão na pesquisa de florestal. Especificamente, os modelos de ML têm maior precisão e capacidade mais rápida para resolver problemas complexos, analisar interações e prever o comportamento não linear do sistema. No entanto, existem gargalos que limitam a expansão das tecnologias de ML.

A falta de dados adequados (em quantidade e qualidade) é um grande gargalo que impede a aplicação generalizada de métodos. No entanto, em comparação com os modelos empíricos e baseados em processo tradicionais que requerem inicialização e ajuste de parâmetro frequente em diferentes condições (por exemplo, clima, região ou perturbação), as tecnologias de ML têm adaptabilidade ambiental mais forte. Essa força dos métodos de ML, no entanto, requer treinamento mais rigoroso e dados de teste. O monitoramento de longo prazo, altamente preciso é caro, e a coleta, armazenamento e atualização de dados podem ser interrompidos por redução de financiamento, falha de instrumento, limitações de tecnologias históricas, interferência por atividades humanas, e assim por diante.

 

Perspectivas futuras

Com o rápido desenvolvimento do poder de computação, algoritmos de ML mais complexos podem ser implementados mais rapidamente quando treinados por conjuntos de dados maiores, como por exemplo o uso no sensoriamento remoto.

O Deep learning é um método de ML baseado no aprendizado de recursos. De 2006 a 2014, o Deep learning, especialmente a rede neural profunda, alcançou um desenvolvimento rápido.

O aprendizado de recursos visa encontrar melhores representações e criar melhores modelos para aprender a partir de dados não rotulados grandes. Hoje, o Deep learning se espalhou por muitos campos, como visão computacional, reconhecimento de fala, processamento de linguagem natural, reconhecimento de áudio e campos de bioinformática. No entanto, os maiores requisitos de dados e arquiteturas de modelo mais complexas retardaram a aplicação de Deep learning aos ecossistemas florestais e ao desenvolvimento sustentável.

O setor florestal demanda de maiores envolvimentos mais efetivamente com a pesquisa de ML no futuro, especialmente os desenvolvedores de Deep learning, para que mais técnicas possam ser desenvolvidas especificamente para o campo florestal. Além disso, como o ML promove o desenvolvimento e a aplicação de dispositivos inteligentes, equipamentos ou tecnologias de observação mais especializadas e mais inteligentes consequentemente essas ferramentas irão ajudar os engenheiros florestais a tomarem melhores decisões, diminuindo os erros causados por dados empíricos.

Por: Túlio Santos | Editorial Central Florestal, 30 de outubro de 2020

Com informações de:

https://www.nature.com/articles/s41524-019-0221-0

https://www.researchgate.net/publication/326306245_Application_of_machine-learning_methods_in_forest_ecology_Recent_progress_and_future_challenges

https://www.inflor.com.br/inteligencia-nos-processos-florestais/



Post a Comment

Postagem Anterior Próxima Postagem