As florestas mediterrânicas encontram-se entre os ecossistemas mais vulneráveis aos efeitos das alterações climáticas e à ação cumulativa de múltiplos agentes de perturbação, incluindo incêndios, secas, pragas e eventos meteorológicos extremos. O aumento da frequência e intensidade destes fenómenos tem evidenciado limitações nos modelos convencionais de monitorização e gestão florestal, reforçando a necessidade de abordagens mais integradas, adaptativas e sustentadas em evidência científica. Neste contexto, as tecnologias associadas a veículos aéreos não tripulados (UAV) e algoritmos de deep learning apresentam elevado potencial para automatizar processos tradicionalmente dependentes de inventário de campo, frequentemente condicionados pela acessibilidade do terreno, tempo de execução e custos operacionais.

O presente trabalho enquadra-se na Agenda transForm – Melhor Floresta, financiada pelo Plano de Recuperação e Resiliência (PRR), que visa desenvolver soluções inovadoras e estratégias de gestão florestal adaptativa para aumentar a resiliência dos ecossistemas florestais e apoiar a resposta aos desafios colocados pelas alterações climáticas. Neste contexto, avaliou-se a aplicação da arquitetura Mask R-CNN na deteção automática de árvores em povoamentos de Pinus pinaster recorrendo a imagens RGB e multiespectrais adquiridas por UAV. Foram considerados dois cenários representativos de perturbações florestais no centro de Portugal. O primeiro incidiu na deteção de árvores derrubadas após um evento meteorológico extremo na Serra da Lousã, visando apoiar a quantificação de danos e a resposta pós-tempestade. O segundo focou-se na deteção de árvores jovens em plantações instaladas após incêndio na Serra do Açor, permitindo avaliar o sucesso inicial da restauração florestal.

As imagens adquiridas com um DJI Mavic 3M foram processadas para geração de ortomosaicos de elevada resolução, posteriormente utilizados em ambiente ArcGIS Pro para treino e aplicação de modelos de segmentação por instância baseados em Mask R-CNN. O processo incluiu anotação manual, criação de bases de treino, definição de conjuntos independentes de validação e análise do desempenho através de métricas de precisão e deteção.

Os resultados evidenciaram desempenho elevado na identificação de árvores derrubadas, com valores de precisão próximos de 90%, demonstrando elevada capacidade do modelo para reconhecer padrões associados a danos florestais em ambientes estruturalmente complexos. Na identificação de árvores jovens em plantações recentes, os modelos alcançaram taxas de deteção superiores a 90% em parcelas validadas, permitindo identificar indivíduos e extrair métricas espaciais relevantes para avaliação da instalação e distribuição das plantações. Os resultados confirmam o potencial da integração entre UAV e deep learning como ferramenta operacional de monitorização florestal, contribuindo para reduzir esforço de campo, acelerar processos de avaliação e apoiar decisões de gestão em contextos de perturbação e recuperação florestal. O trabalho evidencia ainda o contributo da inovação tecnológica e da digitalização para o desenvolvimento de estratégias de gestão mais resilientes e adaptadas aos desafios atuais da floresta portuguesa.