Pesquisadores estabelecem uma nova metodologia para melhorar, a partir do espaço e por meio do aprendizado de máquina, a observação e análise da biosfera terrestre. Esta abordagem estatística representará um avanço significativo no monitoramento de safras e sumidouros de carbono, bem como na previsão de enchentes e secas. O trabalho foi publicado na revista Science Advances.
A nova metodologia de aprendizado de máquina permite melhorar a precisão na previsão de parâmetros-chave, como o índice de área foliar, a produtividade primária bruta e a fluorescência da clorofila induzida pelo sol, entre outros. O campo de aplicações é enorme e será de grande utilidade para melhorar o monitoramento de safras e sumidouros de carbono, detectar mudanças e anomalias, secas e inundações. A aplicação dessas técnicas de aprendizado de máquina permitirá medições mais precisas da dinâmica dos sumidouros de carbono terrestre, o que tem implicações para ações mitigadoras das mudanças climáticas globais.
A Terra está mudando rapidamente e de várias maneiras. Sensores a bordo de satélites – incluindo aviões e drones – obtêm continuamente informações valiosas sobre nosso planeta remotamente. Quantificar a cobertura vegetal e estudar sua estrutura bioquímica e funcionamento do espaço é a chave para compreender a mudança global, a biodiversidade e a agricultura.
Desde a década de 1970, o sensoriamento remoto depende fortemente do uso de índices de vegetação, que são fórmulas paramétricas para o sinal espectral adquirido por satélites. Esses índices, simples de calcular, são projetados para se correlacionar bem com fenômenos biofísicos particulares da cobertura do solo, como verdura, conteúdo de água ou atividade fotossintética, entre outros. Por esta razão, esses índices têm sido usados e continuam a ser usados extensivamente para quantificar a biosfera terrestre, sua produtividade e sua dinâmica. No entanto, a literatura e as múltiplas aplicações revelam limitações importantes, que são finalmente resolvidas neste estudo.
No artigo publicado pela Science Advances, cujo primeiro autor é o físico e professor de Engenharia Eletrônica e coordenador do grupo de Processamento de Imagens e Sinais (ISP) da Universidade de Valencia Gustau Camps-Valls, os cientistas apresentam uma abordagem metodológica para o aprendizado de máquina cujo referencial teórico permite generalizar todos os índices de vegetação utilizados na literatura a esse respeito. “Verificamos que todas as abordagens anteriores – mais heurísticas, intuitivas e baseadas em princípios físicos simples – se encaixam como casos particulares em nossa metodologia. Agora, do ponto de vista estatístico, estamos ganhando em precisão e salvando as limitações que retardaram o progresso neste seção dos estudos sobre a biosfera terrestre”, explica Camps-Valls. “A nova metodologia melhora os resultados em todas as aplicações que abordamos: monitoramento da fenologia da vegetação, quantificação da absorção de carbono e atividade fotossintética em escala planetária. Mostramos também que é extremamente útil para detectar mudanças e cobertura vegetal, como bem como para estimar os rendimentos das culturas a partir do espaço, por exemplo,” acrescenta Álvaro Moreno, investigador do ISP (IPL-UV) e membro do ERC Synergy Grant USMILE dirigido por Gustau Camps.
A metodologia proposta, que permite melhorar todos os índices de vegetação, em particular o índice mais utilizado nas últimas quatro décadas – o NDVI -, fornece as chaves para desenhar novos e mais poderosos índices. Além disso, ele se destaca por sua extrema simplicidade algorítmica. “Fornecemos o código-fonte em todas as linguagens de programação, incluindo o Google Earth Engine, uma plataforma que permite que os resultados sejam escalados em um nível planetário. Dessa forma, pensamos que a estrutura será adotada por muitos cientistas, profissionais e desenvolvedores”, afirmou. diz Jordi Muñoz, co-autor e membro do ISP. “O facto de o novo índice generalizar todos os índices anteriores oferece garantias teóricas de que funcionará sempre igual ou melhor”, afirma Manuel Campos, membro do grupo ESR do Departamento de Física da Universidade de Valência, “e é alguma coisa muito simples de calcular e aplicar na prática”, acrescenta Javier García, do mesmo grupo.
Além de seu uso para monitorar a biosfera terrestre, a abordagem estatística proposta tem aplicações potenciais em estudos oceanográficos e atmosféricos, entre outros. Os indicadores são amplamente utilizados em todos os ramos da ciência e podem ser facilmente aprimorados com esta metodologia.
Publicado em 02/03/2021 08h44
Artigo original:
Estudo original: