Neste texto da série sobre Lábrea (AM), especialistas explicam como identificaram e classificaram os padrões de desmatamento no município, com base em dados, métricas, amostras etc.
Por Beatriz Figueiredo Cabral, Aurora Miho Yanai, Paulo Maurício Lima de Alencastro Graça, Maria Isabel Sobral Escada, Cláudia Maria de Almeida e Philip Martin Fearnside, em Amazônia Real
Os padrões de desmatamento foram classificados por meio de técnicas de mineração de dados espaciais. Para isso, utilizou-se o plugin Geographical Data Mining Analyst (GeoDMA), um classificador desenvolvido por Körting et al. [1] para o software TerraView versão 5.6.1. O GeoDMA integra ferramentas de processamento e análise de imagens de sensoriamento remoto com técnicas de mineração de dados, possibilitando a extração de informações e a identificação de padrões em grandes bancos de dados [2]. Além disso, o plugin permite a classificação estrutural de objetos através da extração de um conjunto de métricas da paisagem que mensuram e descrevem os padrões de ocupação.
O processo de classificação realizado pela GeoDMA envolveu as seguintes etapas: 1) extração de métricas da paisagem a partir de polígonos de desmatamento em células de 10 × 10 km); 2) compilação de um conjunto abrangente de amostras de treinamento para as classes de desmatamento; 3) aplicação do algoritmo de árvore de decisão C5.0 para classificar e validar os padrões de desmatamento [3] e 4) avaliação dos resultados da classificação através da análise da matriz de confusão gerada para as amostras de treinamento.
Durante a fase de treinamento, um único conjunto de amostras foi construído para os quatro anos analisados (ou seja, 2008, 2013, 2017 e 2021). Isso permitiu que padrões não presentes em um determinado ano fossem incluídos em outro período, compondo uma tipologia única que considerou os padrões de desmatamento para todos os anos. No total, foram coletadas 383 amostras de treinamento, das quais 60 correspondiam aos padrões difuso, florestal e geométrico; 58 ao padrão multidirecional; 55 ao padrão consolidado; e 45 aos padrões espinha de peixe e linear. Devido à baixa frequência de alguns padrões de desmatamento na área de estudo, como os padrões linear e espinha de peixe, diferentes números de amostras foram selecionados para cada classe.
Após a coleta das amostras de treinamento, utilizamos o algoritmo C5.0 com seu recurso de “boosting“, que gera um número predefinido de árvores onde a classificação final de cada segmento é aquela atribuída pela maioria das árvores de decisão [3]. O GeoDMA separou automaticamente 66% (254 amostras) das amostras coletadas para classificar os padrões (ou seja, geração de árvores de decisão) e 34% (129 amostras) para validação.
Como resultado da utilização da ferramenta de boosting, foi gerado um conjunto predeterminado de 30 árvores de decisão, onde os atributos categóricos (isto é, padrões de desmatamento) foram classificados a partir dos atributos não categóricos (isto é, valores de métricas da paisagem). No total, foram utilizadas 17 métricas da paisagem, das quais três estiveram presentes em mais de 90% das classificações: Área da Classe, Índice de Forma da Paisagem e Riqueza de Fragmentos. Outras métricas também apresentaram um certo grau de importância (isto é, valores de utilização acima de 60%): Dimensão Fractal Média Ponderada pela Área, Área Total do Maior Objeto, Densidade de Fragmentos, Área da Maior Interseção e Índice Médio de Forma Ponderado pela Área. Essas métricas, ao quantificarem a estrutura espacial e a composição das paisagens, fornecem informações sobre as características dos polígonos de desmatamento na grade, facilitando a identificação de padrões, mudanças e tendências ao longo do tempo. Para uma compreensão completa dessas métricas, consulte o Material Suplementar (Tabela S1).
Na etapa final, duas matrizes de confusão foram geradas para avaliar o resultado da combinação de árvores de decisão em relação à classificação das amostras de treinamento e validação (Tabela 2). Para as amostras de validação, a acurácia total foi de 92% e o coeficiente Kappa foi de 91%, valores considerados bastante satisfatórios [5].
As trajetórias de desmatamento entre 2008 e 2021 foram obtidas a partir dos resultados da classificação de padrões. Essas trajetórias foram divididas em “de mudança” e “sem mudança”, conforme proposto por Gavlak [6]. A mudança nas trajetórias refere-se às células cujos padrões foram alterados ao longo dos anos, divididas em “expansão” e “consolidação”. A trajetória de “expansão” é caracterizada por células que, no ano inicial, não apresentavam desmatamento (ou seja, eram floresta), mas que nos anos seguintes foram classificadas com padrões de níveis de desmatamento iniciais a intermediários (ou seja, difuso, linear, geométrico e espinha de peixe). A “consolidação” é representada por todas as células que, no primeiro ano, apresentavam ocupação inicial ou intermediária e, no último ano, evoluíram para um padrão multidirecional ou consolidado (Figura 2). Por sua vez, as células que mantiveram o mesmo padrão entre 2008 e 2021 foram classificadas como trajetória “sem mudança”, de acordo com o padrão de desmatamento observado, ou seja: difusa, consolidada e “outras” (categoria que engloba os padrões multidirecional, espinha de peixe, geométrico e linear).
Essas trajetórias foram obtidas tanto para a mudança entre os mapas inicial e final (ou seja, de 2008 a 2021), quanto nos três intervalos de tempo entre 2008 e 2021 (ou seja, de 2008 a 2013, de 2013 a 2017 e de 2017 a 2021). A primeira análise possibilitou capturar as diferenças nos padrões para todo o período de 2008 a 2021, resultando em um único mapa final de trajetórias de ocupação, enquanto a segunda permitiu compreender a evolução das trajetórias ao longo dos períodos analisados.
Neste estudo, o conjunto de dados não permite a identificação de áreas que se regeneraram como floresta após terem sido classificadas como desmatadas. Essa limitação reflete o período relativamente curto da análise, que é insuficiente para observar a regeneração florestal completa. [6]
Notas
[1] Körting, T.S.; Fonseca, L.M.G.; Escada, M.I.S.; Silva, F.C.; Silva, M. 2008. GeoDMA – A novel system for spatial data mining. In: ICDMW ’08: Proceedings of the 2008 IEEE International Conference on Data Mining Workshops. December 2008. Pisa, Italy. p. 975–978.
[2] INPE (Instituto Nacional de Pesquisas Espaciais). 2020. TerraView. INPE, São José dos Campos, SP.
[3] Quinlan, J.R. 2017. C5.0: An Informal Tutorial.
[4] McGarigal, K.; Marks, B.J. 1995. FRAGSTATS: Spatial pattern analysis program for quantifying landscape structure.. (Pacific Northwest Research Station General Technical Report PNW-GTR-351). United States Department of Agriculture, Washington, DC, E.U.A. 132 p.
[5] Hudson, W.D.; Ramm, C.W. 1987. Correct formulation of the Kappa coefficient of agreement. Photogrammetric Engineering and Remote Sensing, 53(4), 421–422.
[6] Gavlak, A.A.; Escada, M.I.S.; Monteiro, A.M.V. 2011. Dinâmica de padrões de mudança de uso e cobertura da terra na região do Distrito Florestal Sustentável da BR-163. In: Simpósio Brasileiro de Sensoriamento Remoto, 15. (SBSR), Curitiba. : INPE, São José dos Campos, SP. p. 6152-6160.
[7] Esta série traduz o trabalho Cabral, B.F., A.M. Yanai, P.M.L.A. Graça, M.I.S. Escada, C.M. de Almeida & P.M. Fearnside. 2024. Amazon deforestation: A dangerous future indicated by patterns and trajectories in a hotspot of forest destruction in Brazil. Journal of Environmental Management 354:art. 120354.
