Um estudo realizado por pesquisadores do Campus Lagoa do Sino da Universidade Federal de São Carlos (UFSCar) apresentou uma solução para o diagnóstico de invasões biológicas em ecossistemas terrestres, unindo técnicas de sensoriamento remoto por drones a algoritmos de aprendizado profundo, envolvendo Inteligência Artificial (IA).
As invasões biológicas – processo em que espécies exóticas se estabelecem e se espalham em ecossistemas naturais, competindo com espécies nativas e alterando o equilíbrio ambiental – são consideradas a segunda principal causa de perda de biodiversidade no mundo, tornando urgente o desenvolvimento de métodos eficientes para sua detecção e controle.
Desenvolvido em uma área de 92 hectares de campo úmido na transição entre Cerrado e Mata Atlântica, o estudo aplicou algoritmos de IA para detectar a presença da espécie invasora Pinus elliottii. Trata-se de uma espécie de pinheiro nativa da região Sul dos Estados Unidos, utilizada para produção de madeira e celulose, mas que, fora das áreas de cultivo, se espalha rapidamente, alterando o solo e o regime de fogo e comprometendo a diversidade de espécies nativas.
A pesquisa teve início como projeto de Iniciação Científica da engenheira ambiental Giovanna de Andrade Ferreira, sob orientação de Paulo Guilherme Molin, docente do Centro de Ciências da Natureza (CCN) e coordenador do Centro de Pesquisa e Extensão em Geotecnologias (CePE-Geo) da UFSCar, além de pesquisador principal do projeto Newfor, projeto temático da Fundação de Amparo à Pesquisa do Estado de São Paulo (Fapesp), e Diretor do Centro de Ciência para o Desenvolvimento (CCD) Estratégia Mata Atlântica, apoiado pela Fapesp.
“Foi incrível ver um projeto que começou na universidade ter um impacto tão direto e significativo. A tecnologia que desenvolvemos tem o potencial de revolucionar a forma como combatemos as invasões biológicas”, afirma Ferreira.
Da Iniciação Científica à aplicação prática
O sucesso da metodologia despertou interesse da empresa Bracell, que, em parceria com a Fundação Florestal do Estado de São Paulo, solicitou sua aplicação na Estação Ecológica de Itapeva (SP) – área de Mata Atlântica afetada pela invasão de Pinus. Em colaboração com a Bioflore, parceira do CePE-Geo na competição internacional XPrize Rainforest, a equipe diagnosticou uma cobertura de 25% de Pinus elliottii na unidade de conservação.
“Este projeto demonstra a importância da nossa metodologia para o correto dimensionamento do problema e seu impacto potencial em políticas públicas. É uma prova da sinergia entre pesquisa acadêmica, tecnologia de ponta e aplicação prática no mundo real”, destaca Molin.
Nesse contexto, o método proposto oferece uma alternativa rápida, barata e escalonável, contribuindo com metas globais como a Década da Restauração da Organização das Nações Unidas (ONU) e pautas em destaque na 30ª Conferência da ONU sobre Mudanças Climáticas (COP30), a ser realizada em Belém (PA), de 10 a 21 de novembro.
Além de identificar Pinus elliottii, a equipe trabalha no desenvolvimento de algoritmos para detectar outras espécies invasoras, como braquiária, leucena e acácia, bem como espécies de alto valor para conservação, como araucária, pau-brasil, castanheira e açaí.
Além de Ferreira e Molin, também assinam o estudo Matheus Pinheiro Ferreira e Pedro Henrique Santin Brancalion, docentes da Escola Superior de Agricultura Luiz de Queiroz (Esalq), da Universidade de São Paulo (USP); José Matheus Segre Moneva Viveiros e Giulio Brossi Santoro, estudantes da Esalq; e Vinicius Cunha Amaral, estudante do CCN.
O estudo foi publicado no Journal for Nature Conservation, no artigo intitulado “Solution for diagnostics of biological invasion in terrestrial ecosystems: how can deep learning help biodiversity conservation?“, que destaca o potencial da tecnologia para fortalecer ações de conservação da biodiversidade. A publicação pode ser lida na íntegra neste link.
O projeto contou com financiamento por meio das bolsas do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), ID 0600, e Fapesp #2022/11438-6 e #2024/07048-3, além dos projetos Fapesp Newfor #2018/18416-2 e Estratégia Mata Atlântica #2021/11940-0.
