Pesquisadores do MIT, Google e da Universidade de Purdue desenvolveram um sistema inovador chamado “Tree-D Fusion”, que combina modelos de crescimento de árvores com dados do Google Auto Arborist para criar modelos 3D precisos de árvores urbanas existentes. O projeto resultou na primeira grande base de dados com 600.000 modelos de árvores prontos para simulação e conscientes do meio ambiente em toda a América do Norte.
Sara Beery, professora assistente de engenharia elétrica e ciência da computação no MIT e co-autora de um novo artigo sobre o Tree-D Fusion, afirma: “Estamos unindo décadas de ciência florestal com as capacidades modernas da IA. Isso nos permite não apenas identificar árvores nas cidades, mas prever como elas crescerão e impactarão seu entorno ao longo do tempo.” A equipe está utilizando o conhecimento acumulado nos últimos 30 anos para tornar esses modelos 3D sintéticos mais úteis em um contexto urbano.
O Tree-D Fusion avança em relação a esforços anteriores de monitoramento de florestas urbanas que usavam dados do Google Street View, gerando modelos 3D completos a partir de imagens únicas. Enquanto tentativas anteriores eram limitadas a bairros específicos ou enfrentavam dificuldades de precisão em larga escala, o Tree-D Fusion consegue criar modelos detalhados que incluem características normalmente ocultas, como a parte de trás das árvores que não é visível nas fotos de rua.
As aplicações práticas dessa tecnologia vão muito além da simples observação. Planejadores urbanos poderão usar o Tree-D Fusion para prever onde os galhos em crescimento podem se entrelaçar com linhas de energia ou identificar bairros onde o plantio estratégico de árvores poderia maximizar os efeitos de resfriamento e melhorar a qualidade do ar. Essas capacidades preditivas podem transformar a gestão das florestas urbanas de uma abordagem reativa para um planejamento proativo.
Os pesquisadores adotaram uma abordagem híbrida, utilizando aprendizado profundo para criar um envelope 3D da forma de cada árvore e, em seguida, modelos procedurais tradicionais para simular padrões realistas de galhos e folhas com base no gênero da árvore. Essa combinação ajudou o modelo a prever como as árvores cresceriam sob diferentes condições ambientais e cenários climáticos, como variações de temperatura local e acesso à água subterrânea.
À medida que as cidades em todo o mundo enfrentam o aumento das temperaturas, essa pesquisa oferece uma nova perspectiva sobre o futuro das florestas urbanas. Em colaboração com o Senseable City Lab do MIT, a equipe da Universidade de Purdue e do Google está iniciando um estudo global que reimagina as árvores como escudos climáticos vivos. O sistema de modelagem digital captura a complexa dança dos padrões de sombra ao longo das estações, revelando como uma silvicultura urbana estratégica poderia transformar quarteirões quentes em bairros naturalmente mais frescos.
“Cada vez que um veículo de mapeamento de ruas passa por uma cidade, não estamos apenas tirando fotos — estamos observando essas florestas urbanas evoluírem em tempo real,” diz Beery. “Esse monitoramento contínuo cria uma floresta digital viva que espelha sua contraparte física, oferecendo às cidades uma poderosa lente para observar como os estresses ambientais moldam a saúde e os padrões de crescimento das árvores em sua paisagem urbana.”
A modelagem de árvores baseada em IA se tornou uma aliada na busca por justiça ambiental. Um projeto irmão da equipe Google AI for Nature ajudou a revelar disparidades no acesso a espaços verdes em diferentes áreas socioeconômicas. “Não estamos apenas estudando florestas urbanas — estamos tentando cultivar mais equidade,” afirma Beery. A equipe está trabalhando em estreita colaboração com ecologistas e especialistas em saúde das árvores para aprimorar esses modelos, garantindo que, à medida que as cidades expandem suas copas verdes, os benefícios se espalhem igualmente entre todos os residentes.
Embora o Tree-D Fusion represente um grande avanço, as árvores apresentam desafios únicos para os sistemas de visão computacional. Ao contrário das estruturas rígidas de edifícios ou veículos, que as técnicas atuais de modelagem 3D lidam bem, as árvores são moldáveis — balançando-se ao vento, entrelaçando galhos com vizinhos e mudando constantemente sua forma à medida que crescem. Os modelos do Tree-D Fusion são “prontos para simulação”, pois podem estimar a forma das árvores no futuro, dependendo das condições ambientais.
“O que torna esse trabalho empolgante é como nos leva a repensar suposições fundamentais na visão computacional,” diz Beery. “Enquanto técnicas de compreensão de cena 3D, como fotogrametria ou NeRF, se destacam em capturar objetos estáticos, as árvores exigem novas abordagens que possam levar em conta sua natureza dinâmica, onde até uma brisa suave pode alterar dramaticamente sua estrutura de um momento para outro.”
A abordagem da equipe de criar envelopes estruturais aproximados para cada árvore tem se mostrado eficaz, mas certos problemas permanecem sem solução. O mais desafiador é o “problema das árvores entrelaçadas”; quando árvores vizinhas crescem umas nas outras, seus galhos entrelaçados criam um quebra-cabeça que nenhum sistema de IA atual consegue resolver completamente.
Os cientistas veem seu conjunto de dados como um trampolim para inovações futuras em visão computacional e já estão explorando aplicações além das imagens de visualização de ruas, buscando estender sua abordagem a plataformas como iNaturalist e armadilhas de câmeras de vida selvagem.
“Isso marca apenas o começo do Tree-D Fusion,” diz Jae Joong Lee, estudante de doutorado da Universidade de Purdue que desenvolveu, implementou e implantou o algoritmo Tree-D Fusion. “Juntamente com meus colaboradores, imagino expandir as capacidades da plataforma para uma escala planetária. Nosso objetivo é usar insights impulsionados por IA em benefício dos ecossistemas naturais — apoiando a biodiversidade, promovendo a sustentabilidade global e, em última análise, beneficiando a saúde de todo o nosso planeta.”
Redação Confraria Tech.
Referências:
Advancing urban tree monitoring with AI-powered digital twins
