Drones and multispectral cameras in forest health monitoring (FHM)

GO SURF OG SURF is a project funded by PRS Feasr 2014 – 2022 of Regione Toscana, subprovision 16.2 “Support for pilot and cooperation projects” Índice 1. Introdução ................................................................................................... 5 2. Câmaras Multiespectrais e Índices de Vegetação ................................ 8 3. Drones e Câmaras Multiespectrais no Mercado ................................ 11 4. Conclusões ................................................................................................ 15 5. Agradecimentos ....................................................................................... 15 6. Referências ............................................................................................... 15 Índice de ilustrações Figura 1. Identificação de Superpixels com Contornos Brancos, Detecção de Copas em Declínio a Amarelo e Partes de Copas Mortas a Azul .................................................................................................................... 14 Índice das tabelas Tabela 1. Índices de Vegetação úteis para a monitorização florestal que podem ser calculados com câmaras multiespectrais ................................. 9 Drones e câmaras multiespectrais na monitorização da saúde das florestas (FHM) Francesca Giannetti1;2;3, Yamuna Giambastiani2;3, Lorenzo Massai2;3, Patrizia Rossi1, Solaria Anzillotti1, Livia Passarino1, Giuliano Secchi1, Davide Travaglini1;2, Gherardo Chirici1;2 1 Dipartimento di Scienze e Tecnologie Agrarie, Alimentari, Ambientali e Forestali (DAGRI), Università degli Studi di Firenze francesc[email protected]t; patrizia.r[email protected]; [email protected]; [email protected]; [email protected]; gherardo.chiric[email protected] 2 Laboratorio Congiunto ForTech 3 Bluebiloba start-up innovativa s.r.l. [email protected] ; [email protected] Sumário A Monitorização da Sanidade Florestal (Forest Health Monitoring, FHM) é essencial para avaliar e manter a saúde dos ecossistemas florestais, especialmente no contexto das alterações climáticas. Embora os levantamentos tradicionais in situ sejam limitados pela subjetividade, complexidade logística e custos elevados, a deteção remota (remote sesing, RS) oferece uma alternativa mais eficiente. Entre as tecnologias de RS, os Veículos Aéreos Não Tripulados (Unmanned Aerial Vehicles, UAVs) equipados com câmaras multiespectrais têm-se mostrado particularmente eficazes. Estes drones fornecem soluções de monitorização de alta resolução, bom custo benefício e soluções de monitorização flexíveis, capturando dados detalhados em várias comprimentos de onda. Isto permite a identificação precisa de stress e danos na vegetação, facilitando intervenções oportunas e direcionadas. Como demonstrado pelo projeto GO-SURF, os UAVs com sensores multiespectrais estão a tornar-se ferramentas indispensáveis para a gestão florestal sustentável. 1. Introdução A Monitorização da Sanidade Florestal (Forest Health Monitoring, FHM) é um processo destinado a avaliar o estado de saúde dos ecossistemas florestais (Trumbore et al. 2015). Esta monitorização envolve a observação e o registo de vários indicadores, como o grau de desfolha, a presença de doenças ou pragas e outros sinais de stress. O principal objetivo do FHM é detetar prontamente quaisquer alterações na saúde florestal para tomar medidas que mitiguem danos e preservem a saúde dos ecossistemas florestais (Ecke et al. 2022). Estabelecer sistemas de FHM é particularmente relevante no contexto das alterações climáticas, onde a vegetação sofre cada vez mais os efeitos de stress, resultando na perda de atividade fotossintética (Puletti et al. 2019), e onde eventos extremos como incêndios, pragas (Kautz et al. 2024) e doenças estão a tornar-se mais impactantes. Portanto, tornou-se cada vez mais importante e essencial para cada gestor florestal, tanto público quanto privado, estabelecer sistemas de monitorização FHM para mitigar potenciais problemas nas florestas e intervir prontamente. No contexto italiano e europeu, a monitorização in situ da sanidade florestal tem sido realizada há várias décadas a níveis local, regional e global, utilizando indicadores padrão baseados em levantamentos de campo conduzidos por pessoas capacitadas que, por exemplo, identificam o grau de desfolha da copa (Canullo et al. 2012). Estas redes de monitorização fornecem uma estrutura padronizada para avaliar a sanidade florestal, embora num número limitado de pontos, permitindo a monitorização em escala nacional, mas não alinhando com as necessidades dos gestores florestais. Gestores florestais públicos e privados enfrentam cada vez mais o impacto de perturbações florestais nas suas áreas de ação e, como mencionado anteriormente, é crucial implementar sistemas de monitorização FHM que identifiquem prontamente potenciais problemas, permitindo intervenções de mitigação no menor período de tempo. No entanto, os levantamentos clássicos in situ conduzidos por operadores apresentam um alto grau de incerteza porque a qualidade depende da experiência e perceção subjetiva dos observadores. Portanto, são necessários cursos de formação específicos para realizar levantamentos de forma padronizada e ótima. Além disso, os levantamentos in situ são logisticamente complexos e caros em termos de tempo e trabalho, tornando-os viáveis apenas à escala da parcela ou lote individual. Por esta razão, a deteção remota (RS) estabeleceu-se como parte do FHM, permitindo a aquisição de indicadores de sanidade florestal de forma objetiva, quantitativa e repetitiva em várias escalas espaciais (Lambert et al. 2013; Ecke et al. 2024). Neste contexto, a deteção remota baseada em satélites ainda domina a investigação e a aplicabilidade no setor de FHM. De facto, dados de imagem multiespectral publicamente acessíveis, como Landsat, MODIS e Sentinel-2, permitem sistemas de monitorização em grandes áreas, graças à resolução temporal e espacial que é frequentemente suficiente para identificar perturbações (Francini e Chirici 2022). No entanto, como destacado por algumas investigações, os satélites podem apresentar dificuldades na monitorização, por exemplo, devido à cobertura de nuvens (Giannetti et al. 2021) que pode obscurecer porções da floresta, tornando difícil em alguns contextos, como as áreas montanhosas dos Alpes, estabelecer sistemas de alerta precoce. Estas questões, por exemplo, são incompatíveis quando fatores bióticos ou abióticos causam alterações rápidas nas florestas. Para superar estes problemas, aeronaves tripuladas podem atender a estes requisitos, pois podem voar abaixo da cobertura de nuvens (Ecke et al. 2024). No entanto, na prática, devido aos altos custos e limitações logísticas, são usadas apenas anualmente ou bianualmente em grandes áreas. Isto torna-as, de facto, inadequadas para a identificação precoce de obstáculos (Ecke et al. 2024). É neste contexto que os UAVs têm encontrado uso crescente, não como concorrentes, mas como uma tecnologia complementar às plataformas tradicionais de observação da Terra (Ecke et al. 2024). No contexto do Grupo Operacional Go-SURF, drones equipados com câmaras multiespectrais foram usados para mapear o stress das árvores. Os UAVs, em comparação com satélites e aeronaves, cobrem áreas menores, mas são imbatíveis em resolução espacial, que pode alcançar uma Distância de Amostragem Terrestre na ordem dos centímetros. São também muito eficientes em termos de custos, flexibilidade e, especialmente, tempos de revisita, que podem ser frequentes, pois dependem apenas do operador. A área que pode ser coberta com estes UAV varia de um hectare a vários quilómetros quadrados num único voo. A cobertura é principalmente influenciada pelo tipo de UAV, tecnologia de propulsão, tipo de câmara, tipo de terreno e acessibilidade da área. Além disso, as regulamentações de operação de UAVs devem ser consideradas como um fator limitante para a cobertura. No entanto, a nova regulamentação europeia permite voar a uma altitude de 120 metros acima do nível do solo com uma distância de buffer de 500 metros, o que permite cobrir 10-20 hectares num único voo. No entanto, além do drone, o que faz a diferença na implementação de um sistema de FHM é o sensor que o drone pode transportar a bordo. Recentemente, numerosas novas câmaras multiespectrais tornaram-se disponíveis no mercado. Estas câmaras, graças à sua capacidade de capturar diferentes comprimentos de onda do espectro eletromagnético, podem ser usadas para mapear vários tipos de stress florestal (Barzagli et al. 2018; Zhang et al. 2019; Ecke et al. 2022). No entanto, a variedade de câmaras disponíveis no mercado e os vários índices de vegetação que podem ser derivados delas tornam difícil navegar num panorama de pesquisa e avanço técnico em constante evolução. Por esta razão, este artigo visa fornecer uma visão geral dos índices de vegetação úteis para mapear o stress das florestas; uma visão geral de algumas das câmaras disponíveis no mercado e as técnicas de processamento mais simples ou promissoras, com base nos resultados do EIP-AGRI GO-SURF e também considerando a literatura internacional, para oferecer informações úteis aos técnicos envolvidos na monitorização florestal. 2. Câmaras Multiespectrais e Índices de Vegetação As câmaras multiespectrais são dispositivos de imagem avançados que capturam informações visuais em diferentes bandas do espectro eletromagnético. Estas bandas podem incluir o espectro visível (vermelho, verde, azul) e o infravermelho próximo (NIR), e em alguns casos, o vermelho-infravermelho. Utilizando estes diversos comprimentos de onda, as câmaras multiespectrais fornecem dados detalhados que podem ser usados para analisar vários aspetos da vegetação, solo e florestas. Especificamente, graças à capacidade de adquirir informações no espectro infravermelho, é possível investigar a atividade fotossintética das plantas, avaliar a saúde das árvores e destacar a presença de doenças ou outros tipos de problemas. Tal como as câmaras RGB, podem ser utilizadas para aquisições fotogramétricas que permitem a derivação não só de dados 2D (orto mosaico multiespectral), mas também de dados 3D, como nuvens de pontos e modelos digitais de superfície (DSM) úteis para analisar a estrutura das florestas (Barzagli et al. 2018; Giannetti et al. 2020). No entanto, a sua principal vantagem, como mencionado anteriormente, é a sua capacidade de capturar imagens em diferentes comprimentos de onda do espectro eletromagnético, permitindo aos operadores distinguir variações no conteúdo de clorofila na vegetação que podem indicar prontamente a presença de stress, doenças ou pragas. De facto, graças à capacidade de adquirir informações em diferentes comprimentos de onda, podem ser facilmente utilizadas para extrair vários índices de vegetação através de operações matemáticas simples entre as imagens de diferentes bandas, também utilizando aplicações GIS comuns, como o QField, através das funções de calculadora de raster. Entre os índices de vegetação que podem ser calculados, os apresentados na Tabela 1, são os mais promissores para detetar o stress em ambientes florestais e podem ser calculados com câmaras multiespectrais atualmente disponíveis. Tabela 1. Índices de Vegetação úteis para a monitorização florestal que podem ser calculados com câmaras multiespectrais Indíce de Vegetação Fórmula NDVI (Normalized Difference Vegetation Index) 𝑁𝐷𝑉𝐼 = 𝑁𝐼𝑅−𝑅𝑒𝑑 𝑁𝐼𝑅+𝑅𝑒𝑑 NDRE (Normalized Difference Red Edge) 𝑁𝐷𝑅𝐸 = 𝑁𝐼𝑅−𝑅𝑒𝑑𝐸𝑑𝑔𝑒 𝑁𝐼𝑅+𝑅𝑒𝑑𝐸𝑑𝑔𝑒 GNDVI (Green Normalized Difference Vegetation Index) 𝐺𝑁𝐷𝑉𝐼 = 𝑁𝐼𝑅−𝐺𝑟𝑒𝑒𝑛 𝑁𝐼𝑅+𝐺𝑟𝑒𝑒𝑛 LCI (Leaf Chlorophyll Index) 𝐿𝐶𝐼 = 𝑅𝑒𝑑𝐸𝑑𝑔𝑒−𝑅𝑒𝑑 𝑅𝑒𝑑𝐸𝑑𝑔𝑒+𝑅𝑒𝑑 SAVI (Soil-Adjusted Vegetation Index) 𝑆𝐴𝑉𝐼 = (1+𝐿)(𝑁𝐼𝑅−𝑅𝑒𝑑) 𝑁𝐼𝑅+𝑅𝑒𝑑+𝐿 L é uma costante que depende das condições do solo (tipicamente 𝐿= 0.5) OSAVI (Optimized SoilAdjusted Vegetation Index) 𝑂𝑆𝐴𝑉𝐼 = (𝑁𝐼𝑅−𝑅𝑒𝑑) 𝑁𝐼𝑅+𝑅𝑒𝑑+0.16 MCARI (Modified Chlorophyll Absorption Ratio Index) 𝑀𝐶𝐴𝑅𝐼 = (𝑅𝑒𝑑𝐸𝑑𝑔𝑒−𝑅𝑒𝑑)−0.2𝑥(𝑅𝑒𝑑𝐸𝑑𝑔𝑒−𝐺𝑟𝑒𝑒𝑛) 𝑅𝑒𝑑𝐸𝑑𝑔𝑒+𝑅𝑒𝑑 CIRE (Chlorophyll Index Red Edge) EVI (Enhanced Vegetation Index) 𝐶𝐼𝑅𝐸 = 𝑁𝐼𝑅 𝑅𝑒𝑑𝐸𝑑𝑔𝑒 − 1 EVI (Enhanced Vegetation Index) 𝐸𝑉𝐼 = 2.5 𝑥 𝑁𝐼𝑅−𝑅𝑒𝑑 𝑁𝐼𝑅+6𝑥𝑅𝑒𝑑−7.5𝑥𝐵𝑙𝑢𝑒+1 VARI (Visible Atmospherically Resistant Index) 𝑉𝐴𝑅𝐼 = 𝐺𝑟𝑒𝑒𝑛−𝑅𝑒𝑑 𝐺𝑟𝑒𝑒𝑛+ 𝑅𝑒𝑑−𝐵𝑙𝑢𝑒 O NDVI (Normalized Difference Vegetation Index) é talvez o índice mais amplamente utilizado para monitorizar a vitalidade das plantas. No entanto, por vezes pode haver dificuldade na detecção precoce de stress em florestas. O índice baseia-se no facto de a clorofila em plantas vivas refletir fortemente a luz no infravermelho próximo (NIR) e absorver a luz vermelha. Valores elevados de NDVI, próximos de 1, indicam Ecke S, Dempewolf J, Frey J, et al (2022) UAV-Based Forest Health Monitoring: A Systematic Review. Remote Sens 14:1–45. https://doi.org/10.3390/rs14133205 Ecke S, Stehr F, Frey J, et al (2024) Towards operational UAV-based forest health monitoring: Species identification and crown condition assessment by means of deep learning. Comput Electron Agric 219:108785. https://doi.org/10.1016/j.compag.2024.108785 Francini S, Chirici G (2022) A Sentinel-2 derived dataset of forest disturbances occurred in Italy between 2017 and 2020. Data Br 42:108297. https://doi.org/10.1016/j.dib.2022.108297 Gallardo-Salazar JL, Lindig-Cisneros RA, Lopez-Toledo L, et al (2023) Analysis of the Vigor of Pinus hartwegii Lindl. along an Altitudinal Gradient Using UAV Multispectral Images: Evidence of Forest Decline Possibly Associated with Climatic Change. Forests 14:. https://doi.org/10.3390/f14061176 Giannetti F, Pecchi M, Travaglini D, et al (2021) Estimating VAIA windstorm damaged forest area in Italy using time series Sentinel-2 imagery and continuous change detection algorithms. 1–16 Giannetti F, Puliti S, Puletti N, et al (2020) Modelling Forest structural indices in mixed temperate forests: comparison of UAV photogrammetric DTM-independent variables and ALS variables. Ecol Indic 117:106513. https://doi.org/10.1016/j.ecolind.2020.106513 Kautz M, Feurer J, Adler P (2024) Early detection of bark beetle (Ips typographus) infestations by remote sensing – A critical review of recent research. For Ecol Manage 556:. https://doi.org/10.1016/j.foreco.2023.121595 Kleinsmann J, Verbesselt J, Kooistra L (2023) Monitoring Individual Tree Phenology in a Multi-Species Forest Using High Resolution UAV Images. Remote Sens 15:1–30. https://doi.org/10.3390/rs15143599 Lambert J, Drenou C, Denux J-P, et al (2013) Monitoring forest decline through remote sensing time series analysis. GIScience Remote Sens 50:437–457. https://doi.org/10.1080/15481603.2013.820070 Minařík R, Langhammer J (2016) Use of a multispectral UAV photogrammetry for detection and tracking of forest disturbance dynamics. Int Arch Photogramm Remote Sens Spat Inf Sci - ISPRS Arch 41:711–718. https://doi.org/10.5194/isprsarchives-XLI-B8-7112016 Puletti N, Mattioli W, Bussotti F, Pollastrini M (2019) Monitoring the effects of extreme drought events on forest health by Sentinel-2 imagery. J Appl Remote Sens 13:1. https://doi.org/10.1117/1.jrs.13.020501 Raddi S, Giannetti F, Martini S, et al (2021) Monitoring drought response and chlorophyll content in Quercus by consumer-grade, near-infrared (NIR) camera: a comparison with reflectance spectroscopy. New For. https://doi.org/10.1007/s11056-021-09848z Trumbore S, Brando P, Hartmann H (2015) Forest health and global change. Science (80- ) 349:814–818. https://doi.org/10.1126/science.aac6759 Zhang L, Zhang H, Niu Y, Han W (2019) Mapping Maize Water Stress Based on UAV Multispectral Remote Sensing. Remote Sens 11:605. https://doi.org/10.3390/rs11060605 Zou X, Liang A, Wu B, et al (2019) UAV-based high-throughput approach for fast growing Cunninghamia lanceolata (Lamb.) cultivar screening by machine learning. Forests 10:. https://doi.org/10.3390/f10090815