No contexto da adaptação das florestas aos impactos das alterações climáticas, a monitorização do restauro de áreas florestais afetadas por distúrbios, nomeadamente incêndios florestais, assume particular relevância. Neste âmbito, as plantações florestais constituem uma das principais estratégias de intervenção, sendo a sua monitorização uma componente essencial da gestão florestal adaptativa.

Tradicionalmente, a avaliação do sucesso destas intervenções baseia-se na recolha de indicadores em campo, tais como o número de árvores sobreviventes e o grau de desenvolvimento das respetivas copas. Contudo, este tipo de monitorização apresenta limitações significativas, sendo frequentemente moroso, dispendioso e logisticamente desafiante, especialmente quando é realizada em áreas extensas ou de difícil acesso.

A presente investigação propõe uma abordagem alternativa baseada em técnicas de deteção remota e visão computacional, com o objetivo de avaliar o sucesso de plantações realizadas no âmbito do projeto Floresta Serra do Açor, no distrito de Coimbra, Portugal. Para tal, foram produzidas milhares de imagens aéreas através de voos realizados com um drone DJI Mavic 3. Estas imagens foram sujeitas a um processo de seleção e processamento, com vista à sua utilização nas fases de treino, validação e teste dos modelos desenvolvidos. Neste contexto, foram avaliadas diferentes arquiteturas de aprendizagem profunda, nomeadamente YOLO, U-Net e Mask R-CNN, com o intuito de comparar o seu desempenho na deteção e segmentação de árvores.

Com base no conjunto de dados obtido, foi possível estimar o número de árvores e o volume das suas copas. Os resultados demonstraram um desempenho elevado dos modelos testados: o modelo YOLO alcançou valores próximos de 90% no indicador F1 para a contagem de árvores, enquanto o modelo Mask R-CNN apresentou desempenhos superiores a 85% na estimativa da área de copa.

Estes resultados evidenciam o potencial da metodologia proposta como alternativa eficaz às abordagens tradicionais de monitorização. A sua aplicação no contexto do projeto “Melhor Floresta”, inserido na Agenda Transform, poderá contribuir para a redução dos custos operacionais e do tempo de trabalho de campo. Adicionalmente, permitirá aumentar a frequência de monitorização e melhorar o acompanhamento da evolução das plantações, constituindo um suporte relevante para a tomada de decisão em gestão florestal.