Triple Level Digital Monitoring (3LDM) - Sensoriamento remoto e soluções de TI para monitorar a Forest Landscape Restoration (FLR)
Solução completa
Treinamento com drones em Madagascar
© Forests4Future, GIZ
O projeto Forests4Future (F4F) da GIZ defende a restauração de paisagens florestais (FLR) e a governança em países como Etiópia, Madagascar e Togo. Os sistemas atuais de monitoramento da RPF enfrentam problemas de precisão e integridade. Para resolver esse problema, a F4F iniciou o desenvolvimento de um sistema de monitoramento confiável e a implantação de um procedimento operacional padrão. Aproveitando a experiência de empresas externas de dados geoespaciais, a F4F introduziu o Sistema de Monitoramento Digital de Nível Triplo (3LDM). Esse sistema aprimora o monitoramento, integrando três níveis de dados:
1. dados baseados em campo
2. dados baseados em drones
3. dados de satélite
A abordagem 3LDM rastreia hectares restaurados, biomassa de árvores acima do solo e diversidade de árvores em locais selecionados de FLR
Última atualização: 30 Sep 2025
834 Visualizações
Galeria de fotos e vídeos
Contexto
Desafios enfrentados
Desafios ambientais:
As imagens de satélite, como Sentinel ou Landsat, podem deixar passar árvores menores devido à baixa resolução, o que afeta a avaliação precisa da floresta, especialmente no que se refere ao crescimento jovem ou à copa das árvores. O sistema 3LDM, usando dados de drones de alta resolução, mede a altura do dossel e, com equações alométricas, refina os cálculos de biomassa. Os drones, que fazem o levantamento de áreas extensas, aumentam a precisão e a eficiência dos dados.
Desafios sociais:
O monitoramento florestal tradicional exige trabalho manual, causando transtornos às comunidades locais. O 3LDM, aproveitando a tecnologia de drones e satélites, monitora extensivamente com o mínimo de intrusão, preservando os costumes locais. Ela também promove o desenvolvimento de habilidades locais relacionadas a drones e oportunidades de emprego.
Desafios econômicos:
O inventário florestal manual é caro e lento. O 3LDM oferece uma solução econômica. A coleta de dados por drones, por ser mais rápida e expansiva, reduz os custos do trabalho de campo. O uso de imagens de código aberto reduz as despesas, tornando o monitoramento acessível e adaptável a diversos projetos.
Localização
Madagascar
Etiópia
Togo
África Ocidental e Central
Leste e Sul da África
Processar
Resumo do processo
A intrincada sinergia dos três mecanismos de coleta de dados - dados de campo, imagens de drones e capturas de satélite - serve como a espinha dorsal da estrutura de monitoramento do nosso programa. Cada mecanismo traz uma força única para a mesa: enquanto os dados de campo oferecem percepções granulares no nível do solo, as imagens de drones fornecem uma perspectiva aérea detalhada e as capturas de satélite dão uma visão mais ampla do espaço. Quando entrelaçados, eles criam uma tapeçaria robusta de dados que reforça a confiabilidade e a precisão dos dados.
Essa abordagem sinérgica é fundamental para o monitoramento holístico das estratégias de RPF. Com a crescente complexidade dos esforços de restauração ambiental, torna-se imperativo ter uma visão multifacetada. Acompanhamento de indicadores-chave, como biomassa. Além disso, indicadores secundários como altura da árvore, diâmetro à altura do peito (DBH), composição da floresta e diferenciação de espécies são essenciais para uma compreensão diferenciada dos esforços de restauração. A beleza do sistema de três níveis é a sua resiliência: caso surjam desafios que limitem a eficácia de um método, os outros dois entram em ação sem problemas, garantindo que não haja lapso na qualidade dos dados ou nas percepções. Essa interdependência garante dados abrangentes, levando a estratégias mais bem informadas e a resultados bem-sucedidos de FLR.
Blocos de construção
Dados de campo
As imagens de satélite e de drones, apesar de sua inegável contribuição para o monitoramento, são limitadas nos primeiros anos dos esforços de RPF. A coleta de dados em nível de campo é fundamental nos primeiros anos do projeto.
A coleta de dados em nível de campo é dividida em três abordagens participativas:
- Parcelas permanentes de amostragem: Parcelas fixas, onde serão estimadas a altura, o DBH e as taxas de sobrevivência das árvores. As parcelas permanentes de amostragem serão avaliadas em intervalos de três anos, devido ao alto consumo de mão de obra e tempo.
- Planejamento do uso da terra: rodadas de discussão para avaliação de informações, bem como identificação de espécies ameaçadas de acordo com a Lista Vermelha de Espécies Ameaçadas da União Mundial para a Natureza (IUCN). É integrado a outros processos de planejamento de uso da terra e, portanto, não tem um intervalo de avaliação definido.
- Transectos: Identificação de espécies florísticas e faunísticas, bem como da composição da estrutura florestal, em um intervalo de avaliação de três meses
Todos os indicadores relevantes incluídos nas três abordagens participativas são coletados usando o KOBO Toolbox. Esse software oferece condições adequadas e é fácil de operar, alinhando-se aos objetivos de monitoramento do projeto.
Fatores facilitadores
Uma abordagem participativa é essencial para garantir um monitoramento de longo prazo das áreas restauradas. A simbiose entre o conhecimento local e o treinamento/capacitação da equipe local e dos parceiros regionais é o núcleo dessa abordagem. A identificação das necessidades da comunidade, a organização de rodadas de discussão e o envolvimento da comunidade local no desenvolvimento e teste do sistema de monitoramento estimulam a consciência e a conexão com a paisagem restaurada.
Lição aprendida
-
Prioridade de dados de campo: Nos estágios iniciais da RPF, a coleta de dados em nível de campo é mais eficaz do que depender apenas de imagens de satélite e de drones.
-
Abordagens participativas: O emprego de métodos participativos, como parcelas de amostragem permanentes, planejamento do uso da terra e transectos, envolve as comunidades locais e aprimora o monitoramento.
-
Tecnologia apropriada: O uso de ferramentas fáceis de usar, como a KOBO Toolbox, alinha-se bem aos objetivos do projeto e simplifica a coleta de dados.
-
Envolvimento da comunidade local: O envolvimento e o treinamento das comunidades locais garantem o sucesso a longo prazo e promovem uma conexão com as paisagens restauradas.
Dados de satélite
Os dados de satélite formam a base do sistema 3LD-Monitoring, aproveitando os recursos de imagens de código aberto dos satélites Copernicus Sentinel-2 e LANDSAT. Um algoritmo, meticulosamente desenvolvido pela Remote Sensing Solutions (RSS) GmbH, revoluciona esse processo. Os usuários podem enviar sem problemas o shapefile de sua área de interesse, fazendo com que o algoritmo busque e analise automaticamente os dados relevantes. Um espectro de análises robustas é conduzido, incluindo a tendência de vegetação de 5 anos usando NDVI para avaliar ganhos ou perdas de vegetação, análise de umidade de vegetação de 5 anos por meio de NDWI e uma avaliação de tendência de precipitação de 5 anos com nuances. Além disso, o algoritmo facilita a visualização das mudanças na vegetação desde o início do projeto, reforçando a estrutura de monitoramento com percepções dinâmicas. Os dados de satélite, um componente vital do sistema de monitoramento 3LDM, aproveitam imagens de código aberto da missão Copernicus Sentinel-2 e dos satélites LANDSAT. Para áreas predefinidas, esses dados são automaticamente obtidos e analisados em relação a parâmetros específicos. As principais análises incluem uma tendência de vegetação de 5 anos usando o NDVI como indicador de ganhos ou perdas de vegetação, uma tendência de umidade da vegetação de 5 anos por meio do NDWI e uma tendência de precipitação de 5 anos. Além disso, as alterações na vegetação desde o início do projeto podem ser visualizadas.
Fatores facilitadores
O uso eficaz desse bloco de construção depende de os usuários desenharem e salvarem áreas em plataformas GIS, como o QGIS. Além disso, o aprimoramento do shapefile com detalhes do projeto, como datas de início e tipo de FLR, otimiza a análise. O treinamento adequado nessas habilidades garante a entrada de dados precisos e o monitoramento personalizado, tornando o desenvolvimento de capacidade nessas áreas essencial, se não estiver presente.
Lição aprendida
Embora os dados de satélite, especialmente os de código aberto, ofereçam amplas percepções, sua capacidade de identificação de espécies é altamente restrita, se não inatingível. Essa limitação enfatiza o papel indispensável do trabalho de campo para discernir a composição e as características das espécies. Além disso, a compreensão das restrições inatas das imagens de satélite, especialmente em plantações de árvores jovens, reforça a necessidade de integrar dados de campo e de drones para obter uma visão abrangente dos terrenos florestais.
Dados do drone
Os drones desempenham um papel fundamental no sistema de monitoramento 3LD, complementando outros métodos de coleta de dados. Os drones são ferramentas essenciais nos países parceiros para fortalecer as habilidades técnicas da equipe local. Essas habilidades abrangem o planejamento de voo, a navegação e a avaliação de imagens. O monitoramento por drones tem como objetivo capacitar a equipe do projeto a capturar dados sob medida para análises fotogramétricas, a partir das quais surgem geoinformações cruciais.
A metodologia de mapeamento com drones abrange cinco estágios, sendo que os dois primeiros se concentram nas operações com drones:
- Preparação da missão de mapeamento (trabalho de escritório)
- Execução da missão de mapeamento (trabalho de campo)
- Desenvolvimento do modelo de superfície digital (DSM) e geração de ortomosaico (trabalho de desktop)
- Análise e refinamento de dados (trabalho de escritório)
- Integração ao sistema de dados predominante (trabalho de escritório)
Os dados de drones auxiliam na avaliação de indicadores ligados ao carbono/biomassa, como taxas de mortalidade e tipos de floresta. Em particular, com a aplicação de equações alométricas e a caracterização adequada do tipo de terra, as estimativas de biomassa acima do solo das árvores podem ser determinadas.
Fatores facilitadores
Os drones com capacidade de planejamento de voo predefinida garantem a criação perfeita de ortofotos a partir de imagens individuais. Isso permite que os instantâneos individuais se fundam perfeitamente em uma ortofoto (fotografia aérea corrigida de distorções, permitindo medições precisas). Também é fundamental considerar a disponibilidade desses drones nos mercados locais dos países parceiros. Aproveitar o conhecimento local envolvendo o meio acadêmico local é fundamental nesse processo. Eles podem fornecer equações alométricas essenciais, baseadas na altura da árvore, que facilitam cálculos precisos de biomassa.
Lição aprendida
Os drones geram imagens de alta resolução, permitindo uma visão geral detalhada das mudanças na cobertura da terra, da sobrevivência das árvores e das taxas de erosão, entre outros. Combinado com dados de campo, o monitoramento baseado em drones é fortalecido, garantindo um monitoramento sólido.
A heterogeneidade das árvores e a densidade da vegetação muitas vezes impedem uma boa extração de pontos-chave comuns entre as imagens, o que é necessário para estimar as alturas e outros indicadores. Nesse sentido, aumentar a sobreposição entre as imagens para um mínimo de 85% de sobreposição frontal e lateral pode melhorar a extração de pontos-chave. Além disso, aumentar a altura de voo do drone reduz a distorção da perspectiva, o que facilita a detecção de semelhanças visuais entre imagens sobrepostas. No entanto, o excesso de sobreposição, ou seja, altas porcentagens de sobreposição, resulta em uma quantidade maior de dados, tornando o processamento de dados mais demorado.
Outro aspecto já mencionado é a disponibilidade de drones adequados nos países parceiros. A importação de drones para os respectivos países é difícil, e ainda existem barreiras burocráticas.
Impactos
Todas as três fontes de dados (satélite, drone e campo) são processadas e integradas em uma plataforma de painel, acessível por meio do site de monitoramento de projetos. O site permite:
Internamente:
- A avaliação das atividades do projeto
- O monitoramento de mudanças como base para planejamento adicional
- O gerenciamento das atividades do projeto (função de direção)
- Relatórios sobre as atividades do projeto
- Comparação e resumo das intervenções de RPF
Externamente:
- Acompanhamento das atividades do projeto
- Harmonização de atividades entre projetos e parceiros
- Aprendizado com as experiências do projeto
- Relatórios e comunicação de resultados
- Transparência das atividades de RPF
O painel de controle da plataforma tem dois atributos exclusivos:
1. específico da área: análise automatizada imediata e visualização de dados de satélite dos últimos 5 anos
2. integração de dados de campo, de drones e de satélites, combinando diferentes camadas de informações para criar uma imagem holística dos esforços de restauração
Beneficiários
- Pontos Focais e Secretaria do AFR100
- Ministérios (Ministério das Florestas/Meio Ambiente e Agricultura)
- Funcionários administrativos
- ONGs
- Técnicos e entusiastas da restauração
- Comunidades locais
- Equipe do projeto Forests4Future e outros projetos de RPF
Objetivos de Desenvolvimento Sustentável
ODS 15 - Vida na terra
ODS 17 - Parcerias para os objetivos
História
Maxim lidera a implementação do sistema 3LDM em Madagascar. Usar drones para avaliar a restauração de paisagens florestais em Madagascar significa também monitorar manguezais. O monitoramento tradicional nesses terrenos densos e pantanosos é assustador, mas com as imagens de alta resolução do protocolo de drones da 3LDM, ele se tornou mais eficiente e detalhado.
Durante uma pesquisa com drone, a equipe de Maxim descobriu um morador inesperado: um crocodilo tomando banho de sol. As imagens nítidas não apenas destacaram a eficácia da tecnologia, mas também ressaltaram sua vantagem de segurança em relação às pesquisas a pé.
Além dos encontros inesperados com a vida selvagem, o 3LDM ofereceu informações sobre a dinâmica de crescimento dos manguezais. Embora o sistema tenha tido seus desafios, como a adaptação dos drones às condições de vento, os resultados superaram os obstáculos.
