MapBiomas

MÉTODO MAPBIOMAS FOGO ANUAL COLEÇÃO 5

Para acesso aos Produtos do MapBiomas Fogo (incluindo Relatório Anual, assets e toolkit) acesse esse LINK

Apresentamos um resumo do método desenvolvido e aplicado na Coleção 5 do mapeamento das cicatrizes de fogo do Brasil (1985-2025). Para detalhes metodológicos completos, acesse o documento ATBD (Documento Base da Teoria do Algoritmo) neste LINK.

1. CARACTERÍSTICAS GERAIS

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 2025, com dados mensais e anuais de cicatrizes de queimada cobrindo todo o território brasileiro.

O processo foi realizado de forma colaborativa entre as instituições do MapBiomas, utilizando inteligência artificial com algoritmos de aprendizagem de máquina (deep learning) na plataforma Google Earth Engine e Google Cloud Platforms, que oferecem imensa capacidade de processamento em nuvem, além de servidores locais para processamento adicional.

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/) com resolução espacial de 500 m, GABAM (Global Annual Burned Area Map – https://gee-community-catalog.org/projects/gabam/) com resolução de 30 m, fire hotspots, e cicatrizes de queimadas do INPE (https://terrabrasilis.dpi.inpe.br/queimadas/bdqueimadas/).

2. VISÃO GERAL DO MÉTODO

As rotinas de processamento de imagens e classificação utilizadas para mapear as áreas queimadas no território brasileiro seguiram seis etapas:

  1. Definição das regiões de classificação por bioma: Os biomas foram divididos em regiões para aumentar a precisão da classificação.
  1. Construção de mosaicos anuais Landsat: Foi usada uma abordagem estatística anual para criar mosaicos anuais de qualidade, compondo todas as imagens de 16 dias em um único mosaico, selecionando o pixel com o menor valor de NBR (Normalized Burn Ratio).
  1. Coleta de amostras de treinamento: Assinaturas espectrais de áreas queimadas e não queimadas foram coletadas dos mosaicos anuais para compor o conjunto amostral de treinamento do modelo.
  1. Classificação com modelo Deep Learning: O modelo DNN (Deep Neural Network) foi treinado usando as amostras coletadas e as bandas espectrais RED, NIR, SWIR1 e SWIR2 para classificar áreas queimadas.
  1. Pós-classificação: Máscaras e filtros espaciais foram aplicados para melhorar a precisão e reduzir o ruído nos resultados da classificação.
  1. Validação com dados de referência e verificações visuais: Os resultados da classificação foram validados usando dados de referência, juntamente com checagens visuais.
2.1. DEFINIÇÃO DE REGIÕES POR BIOMA

Para cada bioma, foram definidas regiões específicas para a coleta de amostras de treinamento e a classificação de áreas queimadas, com o objetivo de obter uma classificação mais precisa, baseada em fatores edafoclimáticos e na vegetação regional. As seguintes regiões foram definidas para cada bioma:

2.2. MOSAICOS ANUAIS

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 2025. 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 2025) e Landsat 9 (de 2022 a 2025), com um intervalo de retorno de 16 dias.

2.3. COLETA DE AMOSTRAS

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.

Dessa forma, obteve-se um conjunto amostral por sensor e para as 28 regiões do Brasil, para serem usadas no treinamento do modelo de classificação.

2.4. CLASSIFICAÇÃO

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. PÓS-CLASSIFICAÇÃO

Após treinar e testar o modelo, a classificação foi aplicada com imagens Landsat quinzenais para todo o período de análise (1985 a 2025). 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 10.1 do MapBiomas nos biomas:

  • Amazônia: Água, Área Urbana, Mineração, Praia, Duna e Areal
  • Caatinga: Água, Área Urbana, Afloramento Rochoso
  • Cerrado: Água, Área Urbana, Mineração
  • Mata Atlântica: Água, Área Urbana, Arroz, Mineração, Praia, Duna e Areal
    • Adicional para regiões 6 e 7: Soja, Lavouras Temporárias, Cana-de-Açúcar e Outras Lavouras Temporárias
  • Pampa: Água, Área Urbana, Arroz, Mineração, Praia, Duna e Areal, Soja, Outras Lavouras Temporárias, Mosaico de Usos
  • Pantanal: Soja, Algodão, Outras Lavouras Temporárias e Mineração

Para obter a informação do mês em que a cicatriz de fogo foi mapeada, foi realizado um processamento de pós-classificação para recuperar a informação da data do pixel que foi queimado, a partir da data do pixel em que o mosaico anual foi construído.

2.6 AVALIAÇÃO DA CLASSIFICAÇÃO

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).

3.COMO ACESSAR OS DADOS

Os dados podem ser acessados de três maneiras: