Imagine duas imagens de satélite mostrando uma mesma região em momentos diferentes. Nas duas, o terreno aparece coberto por árvores. Isso prova que a floresta continua preservada? Não necessariamente. Uma floresta nativa pode ser removida e substituída por uma plantação comercial. Depois de algum tempo, o verde retorna, mas a composição da vegetação, a biodiversidade e a história de uso daquela área já são outras.
Em 21 de outubro de 2026, pesquisadores publicaram na revista Scientific Data o estudo Global forest typology at 10-meter resolution for forest and land-use monitoring, que apresenta o conjunto de dados Forest Typology (ForTy) v1. No dia seguinte, o Google DeepMind divulgou a ferramenta e seus mapas. O trabalho foi desenvolvido com participantes do Google DeepMind, Google Research, World Resources Institute (WRI) e International Institute for Applied Systems Analysis (IIASA).
Por que uma floresta verde pode esconder uma transformação?
Satélites observam a cobertura do solo: distinguem, por exemplo, áreas arborizadas de pastagens e áreas urbanas. Mas a presença de árvores, sozinha, não revela se elas formam uma floresta primária, uma área em regeneração, um plantio florestal ou uma cultura agrícola de árvores. Uma plantação de eucalipto e uma floresta natural podem parecer semelhantes em uma imagem, embora tenham origens, manejos e funções ecológicas diferentes.
Esse é o ponto central da pesquisa: deixar de perguntar apenas “há árvores?” para investigar também “que tipo de cobertura arbórea e uso da terra existe aqui?”. Isso pode ajudar a identificar conversões de floresta natural em áreas produtivas que passam despercebidas em mapas binários de presença de árvores.
O que exatamente o ForTy identifica?
O mapa de referência global representa o ano de 2020, em pixels de 10 por 10 metros, e distingue seis classes: floresta primária; floresta em regeneração natural; floresta plantada; plantação florestal manejada intensivamente; cultivos arbóreos e sistemas agroflorestais; e outras terras. As classes seguem critérios de uso e manejo compatíveis com definições internacionais.
O grupo também apresentou uma série temporal preliminar para 2017–2025. Essa versão busca mostrar mudanças de classe ao longo dos anos, inclusive a substituição de florestas naturais por plantações. Entretanto, é importante distinguir o mapa de referência de 2020, documentado e validado no estudo, da série temporal inicial, que continua em desenvolvimento.
Como a inteligência artificial faz essa distinção?
Os pesquisadores empregaram aprendizagem profunda para classificação espacial de imagens, combinando dados geoespaciais derivados de observações de satélite com amostras previamente rotuladas. Uma fonte importante de informação foram as representações compactas de observações do sistema AlphaEarth Foundations, capazes de resumir padrões ambientais e temporais.
Em vez de depender de um único instantâneo, o modelo procura regularidades como arranjos de plantio, ciclos de crescimento, colheita e características da vegetação. O treinamento seguiu uma abordagem em etapas, com supervisão parcial, rótulos gerados a partir de previsões anteriores e seleção direcionada de exemplos difíceis para melhorar a classificação.
É uma aplicação de inteligência computacional que envolve problemas clássicos: definir categorias operacionais, preparar exemplos, lidar com rótulos imperfeitos, treinar classificadores e medir seu desempenho em dados independentes. Não é uma IA generativa criando imagens ou adivinhando o tipo de floresta.
Quais foram os resultados medidos?
O sistema foi treinado com aproximadamente 1,7 milhão de amostras. Uma validação independente, baseada em 8.190 locais com rótulos definidos por especialistas, encontrou 90,2% de acurácia geral na classificação das seis categorias. Para a distinção entre floresta natural e não natural, a acurácia relatada foi de 94,8%; para diferenciar floresta de não floresta, 95,5%.
Esses percentuais não significam que cada pixel do planeta tenha 90,2% de probabilidade de estar correto, nem que o modelo detecte todos os eventos de desmatamento. As métricas resumem o desempenho observado na amostra de validação e nas tarefas definidas pelos autores; diferenças regionais e confusões entre tipos semelhantes ainda precisam ser consideradas.
A IA consegue, então, enxergar o desmatamento que continua verde?
Em parte, sim — no sentido de tornar mais visíveis mudanças no tipo de floresta e no uso da terra. Um local classificado como floresta natural em um período e como plantação em outro pode indicar uma transformação que os mapas tradicionais, limitados à presença de árvores, não captariam adequadamente.
Mas isso não equivale a comprovar automaticamente um desmatamento ilegal. Determinar quando ocorreu a conversão, qual era a situação jurídica, quais atividades eram permitidas e se houve irregularidade exige outras evidências, séries temporais e contexto local. O mapa do modelo é um instrumento para orientar a investigação, não um veredito automático.
Quais são as principais limitações?
Os próprios pesquisadores observam que categorias de uso da terra não são sempre distinguíveis por sua aparência física. Duas áreas com espécies e idades semelhantes podem ter históricos de manejo diferentes. Além disso, os dados de referência são desiguais entre países e biomas. O sistema fornece escores de confiança por classe, permitindo selecionar limiares apropriados à análise, mas isso não elimina falsos positivos ou classificações equivocadas.
Por isso, o caminho tecnicamente adequado inclui conferência com imagens de alta resolução, séries históricas, dados de campo e fontes administrativas quando uma decisão depende de um local específico. A resolução de 10 metros também não significa que qualquer alteração menor que 10 metros será observada com segurança.
O que muda para a conservação e para o monitoramento?
Um mapa que diferencia floresta natural, plantios e áreas agrícolas pode aprimorar estudos de biodiversidade, estoque de carbono, recuperação florestal, cadeias produtivas e políticas de conservação. Também permite formular perguntas melhores: onde a cobertura verde aumentou porque uma floresta se regenerou, e onde aumentou porque uma plantação tomou o lugar de vegetação nativa?
A contribuição mais interessante talvez seja metodológica. Uma máquina pode aprender a reconhecer padrões que a observação visual simples não separa bem — desde que tenha dados adequados, categorias coerentes e avaliação independente. Ver mais do que o verde não é enxergar perfeitamente: é transformar informação complexa em evidências úteis, com limites mensuráveis.
Fontes e leitura complementar
- Neumann e colaboradores — Global forest typology at 10-meter resolution for forest and land-use monitoring. Scientific Data, 21/10/2026.
- Google DeepMind — Beyond tree cover: mapping the world's forest types, 22/10/2026.
- Global Forest Watch / World Resources Institute — ferramentas e contexto para monitoramento florestal.