Ciência florestal e inteligência artificial aplicadas a florestas mais resilientes e paisagens mais sustentáveis.
Somos um grupo de investigação interdisciplinar que reúne especialistas em ciências florestais e em inteligência artificial, com o objetivo de desenvolver soluções inovadoras para a gestão adaptativa das florestas.
Reconhecemos que os desafios atuais — alterações climáticas, transformações sociais e tecnológicas — exigem novas abordagens à gestão florestal, capazes de integrar o conhecimento ecológico, as tecnologias digitais e a análise avançada de dados.
Interdisciplinar
Ciências florestais
& Inteligência Artificial
LiDAR
Tecnologia de ponta
ML
Modelos preditivos
Centro de investigação
Trabalho desenvolvido no âmbito do Research Centre in Asset Management.
Transformar dados ambientais complexos em informação útil para apoio à decisão, promovendo abordagens de gestão adaptativa que reforcem a capacidade de resposta do setor florestal.
Decisões baseadas em dados e ciência quantitativa
Capacidade de resposta à incerteza climática
Contribuição para comunidades rurais mais preparadas
Dados tridimensionais para estrutura detalhada das florestas em grande escala.
Monitorização aérea de baixo custo, adaptável a diferentes escalas e terrenos.
Ferramentas acessíveis para recolha de dados no terreno por qualquer utilizador.
Estas tecnologias permitem recolher informação detalhada sobre a estrutura e o estado das florestas, possibilitando o desenvolvimento de aplicações capazes de avaliar povoamentos florestais, acompanhar o seu desenvolvimento e identificar danos causados por perturbações ou eventos climáticos extremos.
Modelos que compreendem e antecipam a evolução dos ecossistemas florestais ao longo do tempo.
Ferramentas de apoio à decisão para gestão florestal multifuncional em múltiplas escalas espaciais.
Pequenos proprietários que gerem as suas florestas e necessitam de ferramentas acessíveis e intuitivas.
Profissionais que atuam no planeamento e gestão de recursos florestais no terreno.
Atores locais com papel fundamental na implementação de práticas sustentáveis no território.
O desafio: Estes atores enfrentam limitações no acesso a informação técnica, ferramentas analíticas e sistemas de apoio à decisão. Procuramos desenvolver soluções acessíveis, intuitivas e orientadas para o utilizador que facilitem a monitorização, planeamento e tomada de decisão.
Defendemos um futuro em que as florestas sejam mais resilientes, ecologicamente equilibradas e socialmente valorizadas, desempenhando um papel central na sustentabilidade dos territórios e no bem-estar das comunidades.
Promovemos uma gestão florestal adaptativa, orientada pelos princípios observar, antecipar e adaptar, aplicada em múltiplas escalas espaciais e temporais e sustentada por evidência científica, dados e inovação digital acessível.
Acreditamos numa inteligência artificial colaborativa, em que a tecnologia trabalha em conjunto com as pessoas, ampliando a sua capacidade de compreender sistemas complexos e apoiar decisões mais informadas sobre a gestão do território.
Defendemos a democratização do acesso a novas ferramentas digitais, promovendo a sua disponibilização a técnicos, gestores e agentes do território, reforçando as capacidades de análise, planeamento e decisão na gestão florestal.
Assumimos os princípios da ciência aberta, promovendo a utilização de código open source, transparência metodológica e disponibilização pública de dados sempre que possível, como forma de reforçar a confiança no conhecimento produzido e estimular a colaboração.
Inspirada na nova conceção de silvicultura proposta por Achim e colaboradores — cada vez mais orientada por dados, ciência e conhecimento sistemático.
Ciclo Adaptativo
Recolha contínua de dados
Modelos preditivos
Ajuste das intervenções
Este ciclo adaptativo permanente orienta a tomada de decisão e permite ajustar as práticas de gestão face à incerteza climática e às novas exigências da sociedade.
Estruturar recolha e análise integrada de dados com modelação prospetiva e IA como suporte da decisão.
→ Reconfiguração da racionalidade técnica
Implementar, monitorizar e ajustar soluções em contexto real, integrando variabilidade ecológica e territorial.
→ Modelos operacionais de gestão adaptativa
Democratizar o acesso a ferramentas analíticas avançadas e reforçar competências técnicas territoriais.
→ Cultura profissional baseada em evidência
Demonstrar viabilidade e replicar em múltiplos contextos e territórios.
→ Novo paradigma de gestão florestal
| Dimensão | Finalidade | Transformação Pretendida |
|---|---|---|
| Infraestrutura Científica e Digital | Estruturar recolha e análise integrada de dados com modelação prospetiva e IA como suporte da decisão | Reconfiguração da racionalidade técnica da gestão florestal, substituindo decisões empíricas por decisões informadas por ciência quantitativa |
| Demonstração e Gestão Adaptativa | Implementar, monitorizar e ajustar soluções em contexto real, integrando variabilidade ecológica e territorial | Consolidação de modelos operacionais de gestão adaptativa capazes de responder à incerteza climática e às perturbações |
| Capacitação e Transformação da Cultura de Decisão | Democratizar o acesso a ferramentas analíticas avançadas e reforçar competências técnicas territoriais | Transição para uma cultura profissional baseada em evidência, autonomia técnica e responsabilização informada |
| Impacto Estrutural e Escalabilidade | Demonstrar viabilidade e replicar em múltiplos contextos | Legitimação científica e social de um novo paradigma de gestão florestal |
Alguns dos trabalhos científicos que sustentam a abordagem do projeto e demonstram a aplicação de visão computacional, inteligência artificial, análise espacial e modelos preditivos em contextos florestais e industriais.
14 publicações reunidas
Mais informação sobre o projetoCastro, I.; Salas-González, R.; Fidalgo, B.; Farinha, J.T.; Mendes, M. Optimising Forest Management Using Multi-Objective Genetic Algorithms. Sustainability 2024, 16, 10655. https://doi.org/10.3390/su162310655
Henriques, L., Farinha, T. & Mendes, M. Fault Detection and Prediction for a Wood Chip Screw Conveyor. Eksploatacja i Niezawodność - Maintenance and Reliability, 26(3), 2024.
Falcão, D., Reis, F., Farinha, J., Lavado, N., & Mendes, M. Fault Detection in Industrial Equipment through Analysis of Time Series Stationarity. Algorithms, 17(10), 455, 2024.
Mateus, B. C., Mendes, M., Torres Farinha, J., Marques Cardoso, A., Assis, R., & Soltanali, H. Improved GRU prediction of paper pulp press variables using different pre-processing methods. Production & Manufacturing Research, 11(1), 2023.
Martins, A., Mateus, B., Fonseca, I., Farinha, J. T., Rodrigues, J., Mendes, M., & Cardoso, A. M. Predicting the Health Status of a Pulp Press Based on Deep Neural Networks and Hidden Markov Models. Energies, 16(6), 2651, 2023.
Rodrigues, J.A., Farinha, J.T., Cardoso, A.M., Mendes, M., Mateus, R. Prediction of Sensor Values in Paper Pulp Industry Using Neural Networks. In Proceedings of IncoME-VI and TEPEN 2021. Mechanisms and Machine Science, vol 117. Springer, Cham, 2023.
Mateus, B., Mendes, M., Farinha, J.T., Martins, A.B., Cardoso, A.M. Data Analysis for Predictive Maintenance Using Time Series and Deep Learning Models - A Case Study in a Pulp Paper Industry. In Proceedings of IncoME-VI and TEPEN 2021. Mechanisms and Machine Science, vol 117. Springer, Cham, 2023.
Guimarães, A.; Valério, M.; Fidalgo, B.; Salas-Gonzalez, R.; Pereira, C.; Mendes, M. Cork Oak Production Estimation Using a Mask R-CNN. Energies 2022, 15, 9593.
André Guimarães, Beatriz Fidalgo, Carlos Pereira, Raúl Salas-Gonzalez, and Mateus Mendes. Estimativa da produção de cortiça através de um método não destrutivo da árvore usando Mask R-CNN. In 1º Congresso Nacional em Engenharia e Gestão de Ativos, Instituto Superior de Engenharia de Coimbra, Portugal, 26/27 May 2022.
Rodrigues, J. A., Farinha, J. T., Mendes, M., Mateus, R. J. G., & Cardoso, A. J. M. Comparison of Different Features and Neural Networks for Predicting Industrial Paper Press Condition. Energies, 15(17), 6308, 2022.
Salas GR e B Fidalgo. Impacto de agentes de distúrbio nos serviços dos ecossistemas em povoamentos de pinheiro bravo na Serra da Lousã. Geografia, Riscos e Proteção Civil. Livro Homenagem ao Professor Doutor Luciano Lourenço. Volume 2; 213-224, 2021.
Coelho, J.; Fidalgo, B.; Crisóstomo, M.M.; Salas-González, R.; Coimbra, A.P.; Mendes, M. Non-Destructive Fast Estimation of Tree Stem Height and Volume Using Image Processing. Symmetry 2021, 13, 374.
Mateus, B. C., Mendes, M., Farinha, J. T., & Cardoso, A. M. Anticipating Future Behavior of an Industrial Press Using LSTM Networks. Applied Sciences, 11(13), 6101, 2021.
Mateus, B. C., Mendes, M., Farinha, J. T., Assis, R., & Cardoso, A. M. Comparing LSTM and GRU Models to Predict the Condition of a Pulp Paper Press. Energies, 14(21), 6958, 2021.
