O aumento nos níveis de dióxido de carbono atmosférico e as mudanças climáticas associadas tiveram um impacto dramático na biosfera da Terra, variando de secas e incêndios florestais à perda de biodiversidade. As florestas desempenham um papel central no ciclo do dióxido de carbono, retirando dióxido de carbono da atmosfera e armazenando o carbono em sua biomassa. As florestas também contêm a maioria da biodiversidade terrestre da Terra. Apesar desse papel central, a magnitude do dióxido de carbono absorvido a cada ano pelas florestas ao redor do mundo ainda é amplamente obscura, devido em parte à resolução grosseira dos modelos globais de carbono.

O Painel Intergovernamental sobre Mudanças Climáticas (IPCC) das Nações Unidas esclareceu que a remoção de carbono é uma parte crucial para limitar o aquecimento global a níveis de 1,5º C em comparação com as temperaturas pré-industriais. O manejo florestal é reconhecido pelo IPCC como uma das formas mais importantes de atingir a remoção de carbono em escala e, na última década, o manejo florestal se tornou a principal fonte de compensações de carbono no mercado voluntário.

Em 2022, as maiores empresas de tech do mundo estabeleceu-se uma meta de atingir emissões líquidas zero em toda a nossa cadeia de valor em 2030. Como parte disso, estamos desenvolvendo novas soluções tecnológicas para mitigar nossa própria pegada de carbono e tornando-as abertamente disponíveis para permitir um impacto mais amplo nas mudanças climáticas (por exemplo, leia mais sobre como usamos IA para reduzir a pegada de carbono do concreto ). Neste artigo, descrevemos como alavancamos a tecnologia interna de IA de última geração e colaboramos com o World Resources Institute (WRI) para desenvolver um método para mapear florestas, árvore por árvore, em áreas do tamanho de continentes. Como exemplo, mapeamos o estado americano da Califórnia e São Paulo, Brasil, e estamos tornando os dados públicos e disponíveis gratuitamente.

Como o mapeamento aprimorado ajuda a atingir o zero líquido

Para atingir emissões líquidas zero, a está focada em reduzir nossas emissões priorizando a eficiência e a circularidade em nossas decisões de negócios, adotando tecnologia de baixo carbono e se envolvendo com nossos fornecedores para ajudá-los a definir metas climáticas. Algumas emissões de setores difíceis de reduzir continuarão difíceis de eliminar completamente até o final desta década. Para aquelas emissões que não podemos evitar, removeremos uma quantidade equivalente de dióxido de carbono comprando créditos de projetos de remoção de carbono, incluindo soluções baseadas na natureza que podem ser implantadas agora, bem como tecnologias emergentes que precisam do nosso suporte para escalar. As florestas são essenciais para atingir a escala global de remoção de carbono necessária, conforme descrito pelo IPCC, e o mercado para remoção de carbono de alta qualidade baseada em florestas precisa crescer significativamente para atingir essa escala.

Acreditamos que, ao melhorar a medição, o relato e a verificação (MRV) de projetos de remoção de carbono baseados em florestas, podemos melhorar a qualidade e acelerar o crescimento de soluções climáticas baseadas na natureza. Primeiro, ao reduzir a barreira para soluções de monitoramento florestal, podemos permitir que pequenos proprietários de terras acessem mercados de carbono e aumentem o número de projetos de remoção de carbono liderados pela comunidade. O crescimento menor e distribuído de árvores (por exemplo, em agrofloresta) carece de soluções de monitoramento acessíveis e escaláveis, o que pode dificultar o desenvolvimento de tais projetos em comunidades menores. Segundo, as soluções baseadas na natureza podem usar dados mais confiáveis ​​do estoque de carbono em florestas para a linha de base e o monitoramento do carbono florestal. Dados de alta resolução aprimorados e disponíveis gratuitamente poderiam ser usados ​​em metodologias de verificação padronizadas para certos projetos. Ambos os desafios podem ser abordados melhorando o conhecimento refinado das florestas em escala global e disponibilizando os dados publicamente.

Descrição do nosso método

Para tornar nossa metodologia de mapeamento útil para projetos de MRV de carbono, definimos os seguintes critérios: detectar árvores únicas (o menor número possível de árvores) e ser globalmente aplicável. Também exigimos que o método seja aplicável a diferentes fontes de imagens para permitir atualizações frequentes dos mapas de altura do dossel.

Aproveitando os avanços recentes no aprendizado autossupervisionado, ou seja, o modelo DINOv2 que anunciamos hoje , e nossa experiência em mapeamento global baseado em IA a partir de imagens de alta resolução, desenvolvemos uma abordagem de aprendizado de máquina que pode detectar a altura do dossel com alta fidelidade a partir de imagens RGB com uma resolução de 0,5 m. Descrevemos nosso modelo em detalhes na pré-impressão ( link ), que foi enviada para revisão por pares. O DINOv2 fornece uma estrutura autossupervisionada que pode ser treinada em qualquer coleção de fotos licenciadas sem precisar de metadados associados. Neste trabalho, um modelo DINOv2 é treinado em imagens de satélite RGB de alta resolução (0,5 m) da MAXAR Technologies de forma autossupervisionada. Em seguida, usamos dados aéreos LIDAR como uma verdade básica para aprender mapas de altura do dossel (CHM). Como nossa informação básica está na América do Norte e imagens aéreas LIDAR de alta qualidade não estão disponíveis globalmente, usamos dados LIDAR espaciais como uma fonte de dados esparsa, mas global, de baixa resolução, para calibrar nosso modelo para aplicabilidade global.

A escolha do aprendizado de rede neural autossupervisionado do DINOv2 permite recursos universais e generalizáveis, o que acreditamos facilitar a aplicabilidade global do modelo. A resolução de 0,5 m nos permite mapear a altura do dossel de árvores individuais, independentemente da escassez, tipo de vegetação rasteira ou espécie, o que é crucial para obter estimativas precisas de biomassa. Aproveitando nosso modelo, criamos mapas de altura do dossel da Califórnia e de São Paulo, Brasil (baixe os dados aqui e visualize o mapa aqui ). Descobrimos que o modelo tem um desempenho qualitativamente bom no Brasil, embora os dados de treinamento de alta resolução sejam da América do Norte.

Como o modelo é treinado em imagens RGB, ele permite a análise de imagens RGB genéricas reamostradas para a mesma resolução de 0,5 m em que o modelo foi treinado, então imagens coletadas por aviões ou drones, em vez de satélites, também podem ser usadas como entrada. Isso é particularmente importante, pois os dados RGB aéreos estão mais amplamente disponíveis e permitem um rastreamento simples e econômico de mudanças na altura do dossel ao longo do tempo.

Como exemplo, demonstramos que nosso modelo tem bom desempenho nas imagens aéreas do conjunto de dados NEON, conforme mostrado na figura abaixo.

Conclusão

Nosso método permite a análise em larga escala de imagens de alta resolução, determinando a altura do dossel da floresta com resolução submétrica. O mapeamento preciso da floresta no espaço e no tempo levará a compensações de carbono baseadas em florestas mais responsáveis ​​e permitirá o desenvolvimento de mais projetos de carbono, especialmente aqueles em pedaços menores de terra — dois requisitos para que as compensações de carbono baseadas na natureza alcancem a escala e a qualidade necessárias para atingir as metas de net zero em escala global.