Skip to Content

O projeto ForestSphere tem como objetivo desenvolver um Gémeo Digital para a gestão florestal

Reconhecendo a sua importância socioeconómica e ecológica. As florestas contribuem de forma significativa para o PIB da União Europeia e servem como importantes sumidouros de carbono. No entanto, os incêndios florestais representam uma ameaça substancial para as florestas, levando a danos ambientais, perdas de vidas e perdas económicas.

Apesar dos avanços na tecnologia de Gémeos Digitais em vários sectores, a literatura atual tem uma exploração limitada da sua aplicação na gestão florestal, particularmente no que diz respeito à previsão de incêndios florestais.

ForestSphereGallery
ForestSphereGallery
ForestSphereGallery
ForestSphereGallery
ForestSphereGallery
ForestSphereGallery
ForestSphereGallery
LinesRight LinesLeft

O projeto ForestSphere pretende preencher esta lacuna criando um GD Florestal que combina dados multimodais e multiescala provenientes de vários sensores para melhorar o monitoramento da saúde das florestas e a avaliação do risco de incêndios florestais. Os principais objetivos do projeto incluem: 

  • Desenvolver uma arquitetura de Gémeo Digital aberta, escalável e modular. 
  • Permitir um mapeamento florestal preciso e de alta resolução usando técnicas avançadas de sensorização. 
  • Implementar o processamento de dados em tempo real para atualizações dinâmicas do GD. 
  • Utilizar Inteligência Artificial para análises preditivas de incêndios florestais.
  • Projetar ferramentas centradas no utilizador para apoio à decisão para ajudar as equipas de combate a incêndios e os decisores políticos.
  • Realizar estudos piloto para demonstrar as aplicações do GD Florestal na gestão florestal e de incêndios florestais.

O projeto segue uma metodologia estruturada em três fases:

Fase de Construção

Criação do GD fundamental através da recolha abrangente de dados provenientes de diversas fontes, incluindo sensores terrestres, imagens aéreas e sensorização remota por satélite. Os dados terrestres serão recolhidos usando dispositivos portáteis, sensores meteorológicos e robótica para gerar modelos 3D detalhados da floresta. Sensores aéreos fornecerão uma cobertura mais ampla para capturar a estrutura da copa e o stress da vegetação, enquanto a imagem por satélite permitirá um monitoramento em larga escala das variáveis ambientais.

Fase de Otimização

Melhorar a precisão e eficiência do GD através de melhorias impulsionadas por IA e otimizações participativas. Novos fluxos de dados serão integrados e algoritmos de deteção de mudanças irão disparar atualizações para refletir as condições atuais da floresta. Através de otimizações computacionais, ferramentas de visualização e modelos preditivos, o GD simulará a dinâmica do fogo e apoiará a melhoria da tomada de decisão para os intervenientes de emergência.

Fase de Implementação

Validar através de estudos piloto, comparando as previsões do modelo com medições reais. Esta fase inclui a integração do GD nos sistemas existentes de apoio à decisão para fornecer insights em tempo real para a gestão de incêndios florestais e garantir a interoperabilidade com várias agências.

Criação do GD fundamental através da recolha abrangente de dados provenientes de diversas fontes, incluindo sensores terrestres, imagens aéreas e sensorização remota por satélite. Os dados terrestres serão recolhidos usando dispositivos portáteis, sensores meteorológicos e robótica para gerar modelos 3D detalhados da floresta. Sensores aéreos fornecerão uma cobertura mais ampla para capturar a estrutura da copa e o stress da vegetação, enquanto a imagem por satélite permitirá um monitoramento em larga escala das variáveis ambientais.

Melhorar a precisão e eficiência do GD através de melhorias impulsionadas por IA e otimizações participativas. Novos fluxos de dados serão integrados e algoritmos de deteção de mudanças irão disparar atualizações para refletir as condições atuais da floresta. Através de otimizações computacionais, ferramentas de visualização e modelos preditivos, o GD simulará a dinâmica do fogo e apoiará a melhoria da tomada de decisão para os intervenientes de emergência.

Validar através de estudos piloto, comparando as previsões do modelo com medições reais. Esta fase inclui a integração do GD nos sistemas existentes de apoio à decisão para fornecer insights em tempo real para a gestão de incêndios florestais e garantir a interoperabilidade com várias agências.

O consórcio do projeto é liderado pela ADAI, um grupo de investigação líder em incêndios florestais, cujo trabalho de mais de 35 anos tem sido dedicado a múltiplos aspetos do estudo do comportamento do fogo. A ADAI também possui vasta experiência na liderança de grandes projetos nacionais e europeus, bem como na definição de políticas internacionais relativas às melhores práticas para a resiliência das florestas e infraestruturas contra incêndios florestais. O ISR-UC é um centro de investigação da Universidade de Coimbra com décadas de experiência em IA, sensorização remota e robótica. As suas equipas de investigação, reconhecidas internacionalmente, irão contribuir com a sua experiência na integração de redes neurais e outras tecnologias avançadas no GD proposto. A OneSource é uma empresa bem estabelecida que desenvolve e aplica software e hardware de ponta para apoiar as agências de proteção civil. O seu know-how em integração e validação de sistemas demonstrado em projetos de investigação europeus e no mercado de implementação da sua tecnologia será crucial para o projeto. A REN tem colaborado com a ADAI no desenvolvimento conjunto e demonstração de tecnologias com potencial para mitigar o risco de incêndios florestais na sua rede de distribuição de energia. Nos últimos anos, esta colaboração demonstrou com sucesso uma rede distribuída de sensores capaz de detetar e georreferenciar ignições de fogo e produzir automaticamente previsões de propagação do fogo e mapas de impacto, gerando alertas que permitem aos gestores agir antecipadamente e implementar medidas corretivas. A Bold Robotics e a Sim4Safety são duas startups tecnológicas que irão aproveitar o GD desenvolvido para mostrar os seus produtos, dando-nos uma visão do futuro da gestão de incêndios florestais. O apoio da CIM-RC e da CML é também fundamental para a definição dos requisitos e especificações do sistema, atuando também como facilitadores na execução dos pilotos e validando a tecnologia desenvolvida.

LinesRight

Características
Inovadoras

iconCharacteristic

Combinação de dados provenientes do solo, de drones e de satélites para construir uma representação digital dinâmica e precisa da floresta.

iconCharacteristic

Utilização de algoritmos de IA e aprendizagem automática para prever o risco e a propagação de incêndios florestais.

iconCharacteristic

Aplicação de tecnologias de mapeamento robótico e sensorização remota para gerar modelos tridimensionais detalhados dos ecossistemas florestais.

iconCharacteristic

Desenvolvimento de interfaces com visualizações 3D e ambientes de realidade aumentada e virtual, facilitando a tomada de decisão por autoridades e equipas de terreno.

LinesBottom
objectivesCircle
Objetivos