Aqui apresentamos um resumo do método desenvolvido e aplicado na Coleção 3 do mapeamento das cicatrizes de fogo do Brasil (1985-2023).
Para maiores detalhes metodológicos acesse o ATBD (Documento Base da Teoria do Algoritmo) neste LINK. (https://doi.org/10.58053/MapBiomas/0KJBRA)

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 foi de 1985 a 2023, 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 treino do algoritmo por regiões. Além disso, foram utilizados mapas de referência, como o produto de áreas queimadas do MODIS (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.

2. 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).

3. 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.
4. 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.
5. Pós-classificação: Máscaras e filtros espaciais foram aplicados para melhorar a precisão e reduzir o ruído nos resultados da classificação.
6. 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 para as coletas de amostras de treinamento e a classificação de áreas queimadas por região, com objetivo de obter uma classificação mais precisa baseada em fatores edafoclimáticas e da 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 × 30 m), construídos para cada ano de 1985 a 2023. Foram avaliadas todas as cenas disponíveis dos satélites Landsat 5 (de 1985 a 2011), Landsat 7 (de 1999 a 2012), Landsat 8 (de 2013 a 2023), com intervalo de retorno de 16 dias.

2.3. COLETA DE AMOSTRAS

Criamos uma biblioteca espectral baseade na delineação manual de áreas queimadas e não queimadas para ser usas como amostras de treinamento. Essa amostras foram estratificadas por sensores Landsat(coletadas em diferentes anos) e por cada biomas. 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), que consiste em modelos computacionais baseados em cálculos matemáticos capazes de realizar o 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 com base em sua sensibilidade a eventos de fogo. 

Os dados de treinamento foram divididos em dois conjuntos: 70% das amostras 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 2023). 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 ha (64 pixels) foram preenchidos como áreas queimadas.
Após avaliação dos resultados da classificação, foram também aplicados filtros de pós classificação para remover pixels que estavam nas seguintes classes de cobertura e uso da terra da Coleção 8 do MapBiomas nos biomas:

• Amazônia: Água, Área Urbana, Mineração, Praia, Duna e Areal;
• Caatinga: Água, Área Urbana e Afloramento Rochoso;
• Cerrado: Água, Área Urbana e Mineração;
• Mata Atlântica: Água, Área Urbana, Arroz, Mineração,Praia, Duna e Areal.
  • Adicional para regiões 6 e 7: Soja, LavourasTemporária, 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 e Outras Lavouras Temporárias;

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