- Pesquisadores brasileiros usaram inteligência artificial para identificar 16 espécies de árvores da Amazônia por imagens da casca.
- O modelo ResNet50 combinado com SVM alcançou 95% de acurácia, destacando a eficiência do aprendizado por transferência.
- O estudo contribui para o manejo florestal sustentável com tecnologia acessível, baseada na textura da casca e visão computacional.
Pesquisadores brasileiros desenvolveram um sistema de reconhecimento automático de espécies comerciais da Amazônia usando imagens da casca das árvores e técnicas de inteligência artificial. O modelo, baseado em aprendizado por transferência com a arquitetura ResNet50, atingiu 95% de acurácia na identificação de 16 espécies, segundo estudo publicado na revista Forests em agosto de 2025.
Classificação por imagem substitui método tradicional
O trabalho foi realizado por cientistas de instituições como a Universidade Federal do Paraná (UFPR), Universidade Federal Rural da Amazônia (UFRA) e Universidade Federal do Pará (UFPA), com apoio da indústria madeireira e da Fundação de Amparo a Pesquisa do Estado de Mato Grosso (Fapemat). A proposta é oferecer uma solução tecnológica para superar erros na identificação botânica, comuns nos inventários florestais realizados sob planos de manejo sustentável (PMFS).
Normalmente, a identificação depende da coleta de folhas, flores ou frutos, algo difícil em florestas densas. Como alternativa, o estudo propõe o uso de imagens de alta resolução da casca (ritidoma), capturadas entre 30 cm e 1,4 m de altura do solo, com câmeras digitais e smartphones.
Inteligência artificial aplicada à biodiversidade
Para treinar os modelos, os pesquisadores coletaram 2.803 imagens de casca de 16 espécies madeireiras de interesse comercial, incluindo Garapeira, Cumaru, Cedro-Rosa e Angelim. As imagens foram fragmentadas em subimagens de 256 × 256 pixels, gerando mais de 140 mil amostras para alimentar os algoritmos.
Dois métodos principais foram testados: descritores de textura (LBP) e redes neurais convolucionais pré-treinadas (CNNs), incluindo as arquiteturas VGG16, InceptionV3, MobileNetV2 e ResNet50. Quatro algoritmos de classificação foram utilizados: SVM, Redes Neurais Artificiais, Random Forest e Análise Discriminante Linear.
ResNet50 + SVM foi a combinação mais eficaz
O modelo que obteve melhor desempenho foi aquele que combinou a arquitetura ResNet50 com o classificador SVM, treinado com subimagens da casca. Ele alcançou 95% de precisão e estabilidade nos testes, superando outras combinações baseadas em LBP e modelos mais simples.
Mesmo em casos de espécies com cascas morfologicamente parecidas, como Cumaru e Garapeira, o sistema mostrou alta capacidade de diferenciação. O uso de subimagens e votação majoritária contribuiu para a robustez do resultado final.
Aplicações práticas no manejo florestal
O método proposto pode ser aplicado diretamente nos inventários exigidos por lei em planos de manejo na Amazônia. Como o uso de imagens da casca não demanda coleta de material reprodutivo, ele reduz o tempo de campo e os erros de identificação, aumentando a conformidade legal e a rastreabilidade da madeira.
Segundo Natally Gama, do Departamento de Ciências Florestais da UFPR, a tecnologia tem potencial para transformar a forma como são feitos os inventários e a fiscalização.
“A tecnologia pode ser implementada em aplicativos móveis ou dispositivos portáteis, permitindo que técnicos e fiscais identifiquem espécies em campo, até mesmo em áreas remotas da Amazônia, de forma offline e com mais confiabilidade nos inventários florestais.”
Além disso, os autores destacam que a captura das imagens pode ser feita com equipamentos acessíveis, como celulares, sem custo adicional para os manejadores, já que a coleta de dados faz parte das obrigações legais.
“Os próximos passos envolvem ampliar a base de imagens, validar o sistema em condições reais de campo e otimizar os modelos para que funcionem em celulares, tornando a ferramenta prática, acessível e de baixo custo”, destacou o o coautor e orientador da pesquisa, Deivison Venicio Souza, pesquisador e Professor da Faculdade de Engenharia Florestal da UFPA.
Quem fez a pesquisa
O estudo foi conduzido por uma equipe multidisciplinar de oito pesquisadores:
- Natally Celestino Gama – Universidade Federal do Paraná (UFPR), Departamento de Ciências Florestais
- Luiz Eduardo Soares Oliveira – UFPR, Departamento de Informática
- Samuel de Pádua Chaves e Carvalho – Universidade Federal Rural do Rio de Janeiro (UFRRJ), Instituto de Florestas
- Alexandre Behling – UFPR, Departamento de Ciências Florestais
- Pedro Luiz de Paula Filho – Universidade Tecnológica Federal do Paraná (UTFPR), Departamento de Informática
- Márcia Orie de Sousa Hamada – Universidade Federal do Pará (UFPA), Faculdade de Engenharia Florestal
- Eduardo da Silva Leal – Universidade Federal Rural da Amazônia (UFRA), Departamento de Ciências Florestais
- Deivison Venicio Souza – UFPA, Faculdade de Engenharia Florestal
O que esperar daqui pra frente
Os autores planejam expandir a base de dados para incluir mais espécies e testar os modelos em condições reais de campo, com dispositivos móveis. Também propõem adaptar os modelos para funcionar em ambientes com recursos limitados, usando técnicas como compressão, podas de redes neurais e quantização.
O sistema proposto é parte do projeto “Deep Flora”, que visa criar soluções tecnológicas de apoio à conservação da biodiversidade. No futuro, essas ferramentas poderão ser integradas a aplicativos móveis e sistemas de fiscalização florestal, ampliando seu impacto.
Combinando precisão científica e aplicabilidade operacional, o estudo representa um avanço concreto para a gestão sustentável da floresta amazônica, ao unir inovação digital com as necessidades do campo.
Glossário
- Aprendizado por transferência: Técnica de IA que usa redes neurais já treinadas para resolver novos problemas semelhantes.
- ResNet50: Arquitetura de rede neural convolucional profunda com 50 camadas, eficaz em tarefas de reconhecimento de imagem.
- LBP (Local Binary Pattern): Método simples e eficiente para descrever a textura de imagens.
- SVM (Support Vector Machine): Algoritmo de aprendizado de máquina para classificação de dados.
- PMFS (Plano de Manejo Florestal Sustentável): Conjunto de diretrizes para exploração legal e sustentável de florestas nativas no Brasil.
Últimas notícias
Estudo da Fiocruz aponta que poluição plástica ameaça a Amazônia
