Deep Flora - Aplicação Web Baseada em Aprendizado Profundo para Reconhecer Espécies de Árvores no Manejo Florestal Madeireiro na Amazônia Brasileira

No âmbito do Manejo Florestal Sustentável (MFS) para fins madeireiros, o censo florestal (ou inventário 100% florestal) é a base para o planejamento do uso racional dos recursos florestais. No entanto, na realização dos censos florestais é comum a ocorrência de erros na identificação de árvores, contribuindo para possíveis perdas econômicas, risco de extinção de espécies e prejudicando a sustentabilidade do MFS para fins madeireiros. Na floresta, as prováveis causas dos erros de identificação são: i) confusão devido ao compartilhamento de características entre as espécies; ii) uso de diferentes nomes vernaculares para identificar a mesma espécie; e iii) uso do mesmo nome vernacular, por diferentes mateiros, para identificar espécies distintas. Além disso, após a identificação em campo, é comum a conversão de nomes vernaculares em nomes científicos, com base em listas pré-existentes de organizações ambientais. Soma-se a isso, a escassez de profissionais qualificados para esta tarefa. Portanto, é fundamental a reflexão e o desenvolvimento de tecnologias inovadoras para aumentar o nível de acurácia da identificação de espécies em censos florestais de florestas nativas. Uma abordagem promissora para aumentar a acurácia da identificação de árvores no MFS para fins madeireiros é o desenvolvimento de sistemas de reconhecimento automático de espécies com base em imagens digitais de partes de plantas, integrando técnicas de visão computacional e inteligência artificial, como Deep Learning. Portanto, o Projeto "Deep Flora" propõe o desenvolvimento de uma aplicação web baseada em inteligência artificial e visão computacional para reconhecer espécies de valor comercial madeireiro na Amazônia usando imagens imagens da casca (ritidoma), alburno e forma da base de árvores. Para tanto, serão realizadas expedições em Áreas Manejadas no Estado do Pará para mapeamento, aquisição de imagens, coletas botânicas de espécies-alvo. Serão avaliadas duas estratégias de extração de características das imagens digitais de partes (cascas, alburno e forma da base) das árvores: i) Padrões Binários Locais - PBL (do inglês, Local Binary Pattern - LBP); e ii) Redes Neurais Convolucionais (do inglês, Convolutional Neural Networks - CNN) pré-treinadas (ResNet50, VGG16, InceptionV3 e MobileNetV2). As características serão extraídas de imagens originais com alta resolução capturadas por diferentes dispositivos e de subimagens de 256 x 256 pixels, extraídas aleatoriamente das imagens originais. Posteriormente, serão avaliados algoritmos de aprendizado de máquina na construção de modelos de classificação, como Máquinas de Vetores de Suporte (Support Vector Machine - SVM), Redes Neurais Artificiais (Artificial Neural Networks - ANN), Floresta Aleatória (Random Forest - RF) e Análise Discriminante Linear (Linear Discriminant Analysis - LDA). Finalmente, o modelo mais acurado será encapsulado em uma aplicação web construída usado a biblioteca Streamlit disponível na linguagem de programação Python.