AlphaEarth Foundations mapeia tipos de florestas do mundo

👁 116 leituras

Em julho de 2025, o Google DeepMind anunciou o AlphaEarth Foundations, um sistema que permite mapear tipos de florestas em todo o planeta com um nível de precisão que nenhuma ferramenta de sensoriamento remoto por satélite havia alcançado antes. Não é apenas mais um mapa que mostra onde há árvores: é a primeira tecnologia capaz de distinguir, a partir da órbita, que tipo de floresta existe em cada lugar.

Qual é a diferença entre árvores e floresta?

Durante décadas, os sistemas globais de observação da Terra fizeram uma coisa: contabilizar a cobertura arbórea. Os satélites conseguiam indicar com bastante precisão onde havia árvores na superfície do planeta e onde não havia. Mas identificar se uma área é uma floresta tropical úmida, uma taiga boreal, uma floresta decídua seca ou uma plantação de monocultura continuava fora do alcance da análise automática feita do espaço. Essa distinção determina o valor de um ecossistema: sua biodiversidade, capacidade de absorver carbono, resistência às mudanças climáticas e importância para as comunidades locais.

O AlphaEarth Foundations, apresentado no blog oficial do Google DeepMind, supera essa limitação fundamental. O sistema vai além da cobertura arbórea e classifica ecossistemas florestais em escala global. É um salto qualitativo em relação ao que programas como o Global Forest Watch e os dados das missões Copernicus da Agência Espacial Europeia ofereciam até então.

Como funciona o AlphaEarth Foundations

O modelo se baseia em uma tecnologia que o DeepMind desenvolveu como parte da iniciativa mais ampla AlphaEarth, um conjunto de sistemas de IA para modelar a superfície da Terra em detalhes. O nome “Foundations” não é por acaso: trata-se de um modelo de base, que pode ser ajustado para tarefas específicas de sensoriamento remoto, assim como grandes modelos de linguagem são adaptados a aplicações empresariais específicas.

Para mapear florestas, o sistema foi treinado com dados de satélite de diferentes espectros eletromagnéticos, combinados com dados de referência coletados em campo. O ponto central é que o modelo não apenas identifica a presença de vegetação: ele extrai das imagens de satélite sinais espectrais, texturais e fenológicos sutis, ou seja, informações sobre como uma área muda ao longo dos ciclos sazonais. Esses padrões permitem distinguir, por exemplo, a floresta amazônica de uma floresta secundária que cresceu em uma área desmatada, embora os dois lugares possam parecer semelhantes em uma fotografia comum.

O DeepMind destaca a escala inédita do sistema: ele funciona globalmente e não é calibrado para um único continente ou tipo de bioma. Isso significa que os mesmos pesos do modelo usados para analisar as florestas equatoriais do Congo também funcionam na taiga siberiana ou nas estepes florestais da Europa Central.

Por que o mapeamento de florestas importa para o clima

As implicações dessa tecnologia vão muito além da cartografia acadêmica. Mapas precisos dos tipos de floresta são dados essenciais para modelos climáticos. O IPCC aponta há anos que as incertezas na estimativa da absorção de CO₂ por diferentes ecossistemas florestais estão entre as principais fontes de erro nas projeções de aquecimento. Florestas tropicais e boreais absorvem carbono de maneiras e em ritmos muito diferentes, mas os mapas existentes muitas vezes as agrupavam sob a categoria genérica de “cobertura florestal”.

Para as políticas ambientais da União Europeia, incluindo o regulamento EUDR contra o desmatamento, que exige que importadores verifiquem se os produtos não vêm de áreas desmatadas depois de 2020, uma ferramenta desse tipo pode ser diretamente útil. Qualquer recurso que ofereça uma visão mais precisa do que acontece com as florestas em escala global pode ajudar a verificar as cadeias de abastecimento.

A mesma lógica se aplica ao mercado de créditos de carbono. O sistema de comércio de emissões baseado na cobertura florestal, que movimenta dezenas de bilhões de dólares por ano, enfrenta há anos problemas relacionados à falta de dados confiáveis para verificação. Projetos REDD+ (Redução de Emissões por Desmatamento e Degradação Florestal) precisam determinar com precisão que tipo de floresta foi protegido e qual é sua importância para o sequestro de carbono. O AlphaEarth Foundations poderia fornecer esses dados de forma escalável e replicável.

AlphaEarth como plataforma, não apenas produto

Vale observar a estratégia do DeepMind para o projeto. A publicação no blog traz a etiqueta “Science” e a chamada “Learn more”, o que sugere que a documentação técnica completa e, possivelmente, o código ou os pesos do modelo serão disponibilizados à comunidade científica. Isso diferencia o AlphaEarth de produtos de sensoriamento remoto puramente comerciais, que vendem mapas como serviço sem divulgar a metodologia.

O DeepMind apresenta o AlphaEarth Foundations como uma base: um modelo para observação da Terra que outros pesquisadores e instituições podem ajustar às próprias necessidades. Se esse caminho se concretizar, a tecnologia poderá chegar a serviços florestais nacionais, agências ambientais e organizações não governamentais que monitoram o desmatamento, sem que precisem construir do zero sua própria infraestrutura de aprendizado de máquina.

A comparação com o GPT-4 como modelo de base para centenas de aplicações não é por acaso. O DeepMind parece buscar uma posição semelhante no campo da observação da Terra: fornecer um modelo geral e potente o bastante para servir de base a todo um ecossistema de aplicações ambientais.

Se o AlphaEarth realmente se tornar um padrão na observação global dos ecossistemas florestais, a questão de quem administra esses dados e de que maneira ganhará importância política, além da ecológica.

// continue lendoQue horas lança GTA 6? Horários exatos no Brasil e no mundoNotíciasIA na cibersegurança em 2026: do Mythos ao GPT-6 CyberGeralComo ter acesso ao GPT-6 Cyber: Daybreak Red e BlueGeral