Aqui apresentamos um resumo do método desenvolvido e aplicado na Coleção 4 do mapeamento das cicatrizes de fogo do Brasil (1985-2024).Para maiores detalhes metodológicos acesse o ATBD (Documento Base da Teoria do Algoritmo) neste LINK.

GENERAL CHARACTERISTICS

Todo o mapeamento de cicatrizes de fogo no Brasil foi baseado em mosaicos de imagens dos satélites Landsat com resolução espacial de 30 metros. O período de mapeamento abrange de 1985 a 2024, com dados mensais e anuais de cicatrizes de queimada cobrindo todo o território brasileiro.
The process was carried out collaboratively among MapBiomas institutions, using artificial intelligence with machine learning algorithms (deep learning) on Google Earth Engine and Google Cloud Platforms, which offer a huge cloud processing capacity, beyond local servers for additional processing.
O trabalho foi organizado por biomas e regiões, com coleta de amostras em áreas queimadas e não queimadas para o treino do algoritmo por regiões. Além disso, foram utilizados mapas de referência, como o produto de áreas queimadas do MODIS Burned Area (MCD64A1 – https://lpdaac.usgs.gov/products/mcd64a1v006/) with a spatial resolution of 500 m, GABAM (Global Annual Burned Area Map - https://gee-community-catalog.org/projects/gabam/) with 30 m resolution, fire hotspots, and burn scars from INPE (https://terrabrasilis.dpi.inpe.br/queimadas/bdqueimadas/).

2. METHOD OVERVIEW

The image processing and classification routines used to map burned areas in Brazil followed six stages:

1. Definition of classification regions by biome: The biomes were divided into regions to increase the accuracy of the classification.

2. Creation of annual Landsat mosaics: An annual statistical approach was used to create quality annual mosaics by composing all 16-day images into a single mosaic, selecting the pixel with the lowest NBR (Normalized Burn Ratio) value.

3. Collection of training samples: Spectral signatures of burned and unburned areas were collected from the annual mosaics to make up the model's training sample set.

4. Classification with a Deep Learning model: The DNN (Deep Neural Network) model was trained using the collected samples and the RED, NIR, SWIR1 and SWIR2 spectral bands to classify burnt areas.

5. Post-classification: Masks and spatial filters were applied to improve accuracy and reduce noise in the classification results.
6. Validation with reference data and visual checks: The classification results were validated using reference data, along with visual checks.

2.1. DEFINITION OF REGIONS BY BIOME

For each biome, regions were defined for the collection of training samples and the classification of burned areas by region, with the aim of obtaining a more accurate classification based on edaphoclimatic factors and regional vegetation. The following regions were defined for each biome:

2.2. ANNUAL MOSAICS 

A classificação foi realizada usando mosaicos de refletância de superfície (SR) da USGS Landsat Collection 2 (Tier 1) (30m × 30m), construídos para cada ano de 1985 a 2024. Foram avaliadas todas as cenas disponíveis dos satélites Landsat 5 (de 1985 a 2011), Landsat 7 (de 1999 a 2021), Landsat 8 (de 2013 a 2024) e Landsat 9 (de 2022 a 2024), com um intervalo de retorno de 16 dias.

2.3. SAMPLE COLLECTION

Criamos uma biblioteca espectral baseada na delineação manual de áreas queimadas e não queimadas para ser usada como amostras de treinamento. Essas amostras foram estratificadas por sensores Landsat (coletadas em diferentes anos) e por cada bioma. A coleta de amostras de treinamento foi realizada em todas as 28 regiões de classificação, garantindo a representação das distintas características espectrais presentes em cada região.
Thus, we obtained a sample set per sensor and for the 28 regions of Brazil, to be used for training the classification model.

2.4. CLASSIFICATION

O modelo de classificação utilizado foi a Rede Neural Profunda (Deep Neural Network – DNN), que consiste em modelos computacionais baseados em cálculos matemáticos capazes de realizar aprendizado de máquina e reconhecimento de padrões visuais.
O algoritmo de mapeamento das áreas queimadas consistiu em duas fases: treinamento e predição. Com base nas amostras de treinamento de áreas queimadas e não queimadas, as seguintes bandas espectrais foram usadas como entrada para o modelo de classificação de áreas queimadas: vermelho (VERMELHO – 0,65 µm), infravermelho próximo (NIR – 0,86 µm) e infravermelho de ondas curtas (SWIR 1 – 1,6 µm e SWIR 2 – 2,2 µm). Essas bandas espectrais do Landsat foram escolhidas devido à sua sensibilidade a eventos de fogo.
Os dados de treinamento foram divididos em dois conjuntos: 70% das amostras foram utilizadas para treinamento e 30% para teste.

2.5. POST-CLASSIFICATION

Após treinar e testar o modelo, a classificação foi aplicada com imagens Landsat quinzenais para todo o período de análise (1985 a 2024). Um filtro espacial foi aplicado para remoção de ruído e preenchimento de pequenas lacunas vazias: áreas menores ou iguais a 1,4 hectares (16 pixels) foram removidas, e lacunas vazias menores ou iguais a 5,8 hectares (64 pixels) foram preenchidas como áreas queimadas.
Após a avaliação dos resultados da classificação, foram aplicados filtros de pós-classificação para remover pixels que estavam nas seguintes classes de cobertura e uso da terra da Coleção 9 do MapBiomas nos biomas:

• Amazon: Water, Urban Area, Mining, Beach, Dune and Sand Spot
• Caatinga: Water, Urban Areas, Rocky Outcrop
• Cerrado: Water, Urban Areas and Mining
• Atlantic Forest: Water, Urban Area, Rice, Mining, Beach, Dune and Sand Spot
  • Addittional for regions 6 and 7: Soy, Temporary Crop; Sugar Cane and and others Temporary Crops.
• Pampa: Water, Urban Areas, Rice, Mining, Beach, Dune and Sand Spot, Soy, Other Temporary Crops, Mosaic of Uses;
• Pantanal: Soy, Cotton and Other Temporary Crops.

To obtain the information of the month in which the fire scar was mapped, postclassification processing was performed to retrieve the information of the date of the pixel that was burned from the date of the pixel in which the annual mosaic was constructed from the minimum NBR.

2.6. RATING ASSESSMENT

Avaliações da classificação de cicatrizes de fogo foram realizadas com imagens Landsat, por meio de inspeção visual, análises estatísticas e relação com dados de cobertura e uso da terra do MapBiomas. Além disso, foram comparadas com mapas de referência, incluindo FIRMS (1 km), GABAM (30m), MODIS MCD64A1 (500m), FIRE CCI (250m) e focos de calor do INPE (1 km).