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.inflor.com.br/inteligencia-nos-processos-florestais/
Postar um comentário