Neste projeto, desenvolvi uma metodologia para individualizar copas de árvores usando imagens RGB capturadas por drone. O objetivo era criar uma solução de baixo custo e amplamente aplicável para avaliação de áreas florestais extensas.

Tecnologias Utilizadas

  • Python
  • detectree2 (baseado no Detectron2 do Facebook)
  • OpenDroneMap (ODM)
  • QGIS

Desafios e Soluções

Geração de Ortomosaicos

Enfrentei desafios na geração de ortomosaicos de alta qualidade. Experimentei diferentes altitudes de voo (40m, 60m, 110m) e ajustes no ODM para otimizar a resolução e minimizar distorções.

Comparação da resolução do voo de 60m e 110m

Comparação da resolução do voo de 60m e 110m

Treinamento do Modelo

  1. Preparação de Dados: Criei manualmente polígonos de treinamento, marcando todas as copas na área de treinamento.
Polígonos de treinamento (127 polígonos)

Polígonos de treinamento (127 polígonos)

  1. Tiling: Modifiquei o código do detectree2 para corrigir problemas com a sobreposição de tiles de teste e treinamento.
  2. Ajuste de Parâmetros: Experimentei diferentes tamanhos de tiles e sobreposições para melhorar a performance do modelo.

Validação do Modelo

Tentei correlacionar os polígonos gerados pelo modelo com dados de campo coletados anteriormente. Enfrentei desafios significativos no georreferenciamento preciso dos dados terrestres.

Resultados

Predição das copas no ortomosaico da borda sul da Floresta da Usp

Predição das copas no ortomosaico da borda sul da Floresta da Usp

O modelo treinado com 127 polígonos da Floresta da USP demonstrou:

  1. Boa generalização para diferentes áreas da floresta.
  2. Desempenho inferior em imagens de escala diferente (60m vs 110m).
  3. Alguns falsos positivos em áreas de grama ou solo exposto.

Lições Aprendidas

  1. A importância da qualidade e diversidade dos dados de treinamento.
  2. Os desafios de georreferenciar com precisão dados de campo em ambientes florestais.
  3. A necessidade de estratégias alternativas para validação de modelos em ecologia florestal.

Próximos Passos

Propus uma nova abordagem usando balões de hélio como pontos de controle para melhorar o georreferenciamento dos dados de campo.

Conclusão

Este projeto demonstrou o potencial e os desafios de usar aprendizado de máquina para análise de copas de árvores. Apesar dos obstáculos, a metodologia desenvolvida oferece uma base promissora para futuros avanços na avaliação de áreas florestais extensas.