Um guia para a obtenção de dados de sensoriamento remoto

O desafio por trás dos dados de sensoriamento remoto para projetos de carbono

Se você estiver desenvolvendo um projeto de florestamento, reflorestamento ou revegetação (ARR), agora precisará obter um conjunto de dados geoespaciais. Isso vale especialmente para projetos VM0047, nos quais vários provedores de serviços de dados são formalmente avaliados pela Verra para fornecer dados de índice de densidade de povoamento. E essa exigência está se tornando comum muito além do âmbito do VM0047.

Na prática, para os desenvolvedores, isso geralmente significa entrar em contato com dois ou três fornecedores, solicitar dados de teste a cada um deles e descobrir que os números apresentados não coincidem totalmente. Nesse momento, o passo natural é comparar os dados de pixels de cada fornecedor com suas próprias amostras de campo — as árvores que você ou um parceiro mediu fisicamente e processou por meio de uma equação alométrica — e escolher aquele que apresentar a melhor correspondência.

O problema é que nenhum dos dois conjuntos de dados representa a realidade. Não há uma medição independente da biomassa em toda a área do projeto para comparar com nenhum deles. 

As parcelas de campo são o que mais se aproxima de uma referência, mas cobrem apenas uma pequena fração do local e apresentam uma grande incerteza por si só. Portanto, uma comparação direta entre parcelas e pixels não é suficiente para determinar com certeza qual provedor está certo.

As armadilhas de uma simples comparação entre gráfico e pixel

Existem quatro motivos pelos quais uma comparação direta pode induzir você ao erro, e nenhum deles significa que os dados sejam ruins.

A questão não é “quem está errado”. As medições em campo são feitas com fita métrica e calculadas por meio de uma equação alométrica. Os dados de pixels provêm de um modelo de satélite. Se os dois apresentarem estoques médios diferentes, essa discrepância por si só não indica qual deles está mais próximo da verdade; trata-se de duas abordagens de medição diferentes, e não de uma resposta certa e outra errada.

Uma correlação fraca não significa que os dados sejam ruins. Se você traçar os valores de campo em função dos valores de pixel, frequentemente verá uma reta de melhor ajuste mais plana do que a reta 1:1 que se esperaria de uma correspondência perfeita. Isso geralmente não é sinal de dados ruins — trata-se de diluição de regressão, em que a incerteza tanto nas medições de campo quanto nas de pixel (muitas vezes superior a 50% em cada lado) reduz mecanicamente a correlação.

Amostras pequenas são como jogar uma moeda. Com 20 lotes ou menos, e ambos os lados apresentando cerca de 50% de incerteza, o acaso prevalece. Se você medir outros 20 lotes, a classificação pode se inverter. Você poderia facilmente classificar um fornecedor mais fraco acima de um mais forte e nem perceber.

Um lote pode ficar no pixel errado. O GPS geralmente localiza um lote com uma precisão de 5 a 15 metros, mas os pixels têm apenas 10 a 30 metros de largura. Um lote pode ficar em um pixel vizinho ou se estender por vários. Trata-se de uma incompatibilidade de escala e localização, e não de uma falha em nenhum dos conjuntos de dados.

Quando comparados dessa forma, o vencedor costuma ser determinado pelo acaso, e não pelo mérito — o que representa um risco real se você estiver tentando tomar uma decisão de seleção de fornecedores que se justifique.

Como aproveitar melhor os dados de campo que você possui

Nada disso significa que as parcelas de campo não devam ser utilizadas para comparação. Significa que a comparação ponto a ponto é a maneira errada de utilizá-las. Três ajustes tornam a comparação muito mais confiável.

Correlacione as parcelas com os pixels de maneira adequada. Utilize todas as parcelas disponíveis e, sempre que possível, opte pelas maiores. As boas práticas do CEOS recomendam que cada parcela tenha, no mínimo, cerca de 0,25 hectares, o que reduz o ruído e a incompatibilidade de escala. Defina uma zona tampão em torno de cada parcela com base em um erro conservador de geolocalização (aproximadamente 10 a 20 metros) e, em seguida, correlacione-a com o pixel que melhor se encaixa dentro dessa zona tampão, e não simplesmente com o mais próximo.

Compare as médias dos estratos, não os pontos individuais. Agrupe as parcelas e os pixels em estratos — o tipo de floresta é um exemplo comum — e compare a média de cada estrato, em vez de comparar parcela por parcela. O ruído aleatório tende a se equilibrar nesse nível, de modo que uma diferença real entre os fornecedores se torna visível onde os pontos individuais não conseguem mostrá-la. Isso só funciona se suas parcelas representarem cada estrato, em vez de estarem concentradas onde o acesso era mais fácil.

Compare as distribuições. Trace a distribuição dos dados de sensoriamento remoto ao longo de todo o estrato e sobreponha suas parcelas de campo a ela. A questão passa a ser se suas parcelas se enquadram nesse intervalo, e não se cada uma delas corresponde exatamente a um pixel específico. Mais uma vez, isso depende de suas parcelas abrangerem os estratos e a faixa de biomassa do local, e não apenas as partes que forem mais convenientes.

Quando as parcelas de campo não são suficientes: lidar aéreo

Se você tiver acesso a ele, o lidar aéreo (ou mesmo um drone de baixo custo) oferece uma referência mais confiável do que apenas as parcelas de campo. Ele fornece milhares de pixels de validação em dezenas ou centenas de hectares, em vez de apenas algumas parcelas, o que representa uma cobertura suficiente para que a aleatoriedade que afeta amostras pequenas desapareça em grande parte. 

Como o lidar atribui um valor a cada pixel, você está comparando elementos semelhantes em uma escala correspondente; assim, a incompatibilidade de geolocalização que prejudica as comparações entre pontos no mapa e pixels deixa de existir.

Além disso, permite validar mais do que apenas a biomassa acima do solo. A altura e a cobertura do dossel são obtidas quase diretamente do lidar, de modo que essas camadas podem ser verificadas com precisão; a biomassa, por sua vez, ainda requer um modelo de conversão de estrutura em biomassa sobreposto, o que torna o processo um pouco menos direto. 

E o lidar em drones tornou possível esse tipo de referência sem o orçamento que uma campanha aérea completa exigia antigamente.

Fazer uma boa escolha, com ou sem dados de campo

Se você tiver dados de campo, utilize-os da maneira correta. Relacione os lotes aos pixels dentro de uma zona de influência de geolocalização, compare as médias dos estratos em vez de pontos individuais e compare distribuições em vez de correspondências isoladas. Evite a comparação direta entre pontos e pixels, pois essa é a abordagem que mais tende a privilegiar o acaso em detrimento da qualidade.

Além dos dados de campo, avalie o prestador diretamente com base em dois aspectos:

Requisitos — os dados atendem às suas necessidades? Resolução, frequência de atualização e as camadas específicas (biomassa, estrutura do dossel, índices) exigidas pela sua metodologia.

Confiança — como os dados são validados? Com base em que o modelo subjacente foi treinado? Ele foi validado de forma independente em relação a uma referência? E ele se mostra válido especificamente na sua área de interesse?

O objetivo é escolher com base no mérito, em vez de recorrer a uma comparação com muitos fatores de interferência para resolver a questão:

Se os dados se encaixam

Se dá para confiar nisso

Se isso é representativo da área do seu projeto

É assim que se evita rejeitar dados válidos ou acabar com dados menos confiáveis por acaso.

Baixe aqui uma versão deste guia para consulta rápida [Baixe a versão em PDF aqui].

Qual é o papel de “ Sylvera ” nisso tudo?

As orientações acima se aplicam independentemente do provedor que você estiver avaliando. Se você estiver considerando o Biomass Atlas, da Sylvera, como uma de suas opções, aqui está o que vale a pena saber sobre os pontos levantados acima.

O Biomass Atlas fornece dados sobre a biomassa acima do solo e a altura do dossel em todo o mundo, com resolução de 10 a 30 metros, com cobertura anual de 2000 até o presente, disponibilizados por meio de API. 

No que diz respeito à confiabilidade: o sistema foi calibrado com base em mais de 250.000 hectares de dados de lidar multiescala de propriedade própria, coletados em diversos ecossistemas, e validado com uma precisão de ±3% em relação a medições destrutivas realizadas em campo. Sylvera também é um dos poucos provedores de serviços de dados que a Verra aprovou para fornecer dados de índice de densidade populacional para o VM0047 — o que demonstra como os dados são produzidos, embora não substitua as verificações de representatividade abordadas neste guia, já que essas ainda dependem da área específica do seu projeto.

Quando os dados são aplicados aos requisitos de uma metodologia específica — como triagem de aplicabilidade, construção de um conjunto de doadores, linhas de base dinâmicas e comparação de desempenho —, entra em cena o Kit de Ferramentas de Metodologia da Sylvera. Ele foi desenvolvido com base no Biomass Atlas, de modo que os mesmos dados subjacentes dão suporte tanto ao acesso autônomo aos dados brutos quanto a uma análise totalmente gerenciada, dependendo das necessidades da sua equipe.