Pesquisa

Google DeepMind lança ForTy, mapa de IA que classifica tipos de floresta a cada 10 metros

Modelo treinado com 1,7 milhão de locais diferencia mata nativa de lavouras e plantações comerciais no Google Earth Engine, com foco nas exigências da regulação europeia de desmatamento.

Capa ilustrativa da editoria Pesquisa

Por que importa. Desenvolvedores de plataformas de rastreabilidade e crédito de carbono ganham dados abertos com probabilidade por pixel para checar conformidade com o regulamento europeu EUDR sem depender só de cobertura verde genérica.

A Google DeepMind e o Google Research lançaram nesta quinta-feira (22) o Forest Typology (ForTy) 2020, modelo e conjunto de dados que mapeia o planeta em blocos de 10 por 10 metros para distinguir florestas nativas de plantações agrícolas e florestais. Junto com a base de 2020, o grupo liberou uma série temporal preliminar que monitora mudanças anuais na cobertura entre 2017 e 2025. O projeto foi desenvolvido em parceria com o World Resources Institute (WRI) e o International Institute for Applied Systems Analysis (IIASA) e está disponível no Google Earth Engine sob licença aberta.

A ferramenta substitui a medição genérica de copa de árvores por seis categorias baseadas nas definições da Organização das Nações Unidas para a Alimentação e a Agricultura (FAO). O sistema separa florestas primárias, florestas em regeneração natural, florestas plantadas, plantações florestais de manejo intensivo, culturas arbóreas e agrofloresta (como palma, cacau, borracha e frutas) e outras terras. Satélites tradicionais costumam tratar florestas tropicais maduras e lavouras comerciais de eucalipto ou palma como coberturas idênticas, o que dificulta rastrear quando áreas naturais são convertidas em monoculturas.

Para treinar o ForTy, as equipes montaram uma base com cerca de 1,7 milhão de locais anotados a partir de dados regionais, inventários de especialistas e revisões focadas em áreas onde o modelo errava. A arquitetura customizada processa embeddings do AlphaEarth Foundations, que resumem o histórico de observações de satélite de cada pixel de 10 metros para detectar ciclos de crescimento, corte e padrões sazonais.

Precisão e adequação ao regulamento europeu

A validação do modelo foi conduzida em mais de 9.000 locais ao redor do mundo, com análise independente de especialistas humanos em imagens de alta resolução. O ForTy atingiu 90% de acerto na identificação exata do tipo de floresta e 95% de precisão ao separar florestas de áreas não florestais. Em vez de entregar apenas uma categoria final rígida, o sistema fornece uma pontuação de probabilidade para cada uma das classes, permitindo que desenvolvedores ajustem os limiares de sensibilidade conforme a necessidade da aplicação.

Essa flexibilidade atende diretamente às regras do Regulamento de Desmatamento da União Europeia (EUDR), que barra a importação de produtos como café, cacau, madeira e óleo de palma oriundos de terras desmatadas após 2020. A norma europeia também veta itens derivados da degradação de florestas primárias convertidas em plantações comerciais de madeira. Como o corte de uma floresta nativa seguido pelo plantio de espécies rápidas volta a parecer verde na imagem orbital em poucos meses, sistemas focados apenas em perda de copa não acusavam a conversão.

A série temporal de 2017 a 2025 busca fechar essa lacuna ao registrar não apenas onde a vegetação sumiu, mas o que ocupou o lugar, seja regeneração natural, lavoura ou cultivo de madeira. Desenvolvedores que usam a API do Google Earth Engine podem carregar os dados diretamente em pipelines geoespaciais existentes para auditoria de cadeias de suprimentos e compliance regulatório.

O que ainda falta nas medições

Apesar da precisão de 90%, a DeepMind não detalhou nos documentos de divulgação como o modelo se comporta em biomas secos específicos ou em transições complexas de savana, comuns na América Latina e na África. A organização também tratou a série temporal de 2017 a 2025 como uma versão preliminar que continuará recebendo ajustes nos próximos meses junto a parceiros e usuários da plataforma.

O lançamento se soma a outros projetos da carteira Google Earth AI voltados à previsão de risco de desmatamento e monitoramento de biodiversidade. Para quem constrói ferramentas de análise ambiental, a disponibilidade de probabilidades por pixel reduz a dependência de classificações binárias, mas transfere para o desenvolvedor o trabalho de calibrar pontos de corte que evitem falsos positivos em auditorias contratuais.

Fontes

Reportagem produzida pela redação do Flipters com apoio de inteligência artificial, a partir das fontes acima. Como trabalhamos. Editor responsável: João Paulo Resende.

WhatsAppLinkedInX
Voltar para a edição

Mais em Pesquisa

Ver todas

Quem constrói lê

Receba o Flipters no seu e-mail. A newsletter de IA para quem está tirando produto do papel.