Problema de Data Science: Desenvolver uma ferramenta preditiva para agilizar o inventário florestal na identificação e avaliação de sobreiro e azinheira

A organização florestal desempenha um papel vital na manutenção de ecossistemas e recursos sustentáveis, sendo que os processos tradicionais de inventário florestal estão muitas vezes associados a um grande dispêndio de tempo e recursos. Os inventários florestais, que envolvem a recolha e a análise de dados nas florestas, estão na base de uma organização florestal sustentável.

Apesar de já se começar a recorrer a ferramentas avançadas, como os Sistemas de Informação Geográfica (SIG), ainda se verifica uma necessidade crítica de otimizar estes processos, particularmente nas regiões onde os recursos para trabalho de campo são escassos. A empresa AGROGES enfrenta dificuldades na execução de inventários florestais para as espécies sobreiro (Quercus suber) e azinheira (Quercus ilex).

Os métodos tradicionais baseiam-se fortemente no trabalho de campo manual e na análise estatística, aumentando assim o custo e o tempo dispendidos. A contagem precisa de árvore, a avaliação das copas, a avaliação do seu estado de saúde e a distinção de espécies exigem uma abordagem mais eficiente e escalavelmente implementável. Neste Hackathon, o desafio consistiu em desenvolver um modelo de aprendizagem profunda, uma Rede Neuronal Convolucional (CNN), capaz de analisar dados geoespaciais para apoiar diferentes atividades de organização florestal: contar o número de árvores nas parcelas, mapear com precisão a presença de cada uma das duas espécies, distinguir o sobreiro da azinheira, calcular a área das copas de cada árvore para apoiar a avaliação de recursos, e avaliar o seu estado de saúde para apoiar uma organização florestal sustentável.