Monitorar o desmatamento e a degradação da floresta associadas: o que funciona de verdade
A diferença entre desmatamento e degradação é mais importante do que a maioria dos relatórios reconhece. Desmatamento é a conversão total da cobertura florestal. Degradação é a perda gradual de biomassa, estrutura e funcionamento ecológico sem que a área seja oficialmente convertida. Ambas aparecem nos dados de satélite, mas com escalas temporais e impactos muito diferentes. O problema é que monitorar o desmatamento e a degradação da floresta associadas exige instrumentos separados, porque um sensor óptico convencional não consegue detectar o que está acontecendo dentro do dossel.
O desmatamento e a degradação da floresta associadas: como diferenciar na prática
Para mapear desmatamento, sistemas como o DETER e o PRODES do INPE são referências no Brasil. Eles operam com imagens Landsat e Sentinel-2, detectam a remoção completa da copa e fornecem alertas quase em tempo real. Para degradação, o jogo muda. A perda de biomassa acima do solo, o afinamento do dossel, o ressecamento de borda, a extração seletiva de madeira — nada disso aparece claro em uma imagem NDVI simples. O que eu uso na prática é uma combinação de três camadas. A primeira é a série temporal do GEDI, que mede a altura do canopy com lidar espacializado. A segunda é o NBR (Normalized Burn Ratio) modificado para monitorar estresse fisiológico, não apenas incêndio. A terceira é o DAOM (Dynamic Artificial Optical Metric) derivado de séries Sentinel-1, que capta mudanças na estrutura da floresta por radar. Juntas, essas camadas identificam degradação precoce com uma defasagem de 8 a 14 meses antes que ela se torne desmatamento visível em óptico.
O limite desses dados é a resolução temporal. O GEDI passa pelo mesmo ponto a cada cerca de 33 dias, e em dias nublados a cobertura de nuvens elimina amostras inteiras. Durante a estação chuvosa na Amazônia, minha taxa de sucesso de coleta cai para aproximadamente 40% em algumas regiões. Nesse cenário, eu compenso usando dados do NISAR, quando disponível, ou filtro os pixels com maior confiância estrutural do radar e trabalho apenas com tendências, não com valores absolutos.
Como montar um fluxo de monitoramento funcional
Eu comecei construindo fluxos completos em Python, mas migrei para o Google Earth Engine porque a manutenção de servidores e a gestão de armazenamento eram custos ocultos que ninguém mencionava nos tutoriais. O custo em compute é baixo se você usar agregações espaciais antes de exportar. Processar uma unidade de conservação inteira em alta resolução sem agregar dados pode levar horas e gerar uma conta de exportação absurda. O fluxo que eu recomendo segue estes passos:
Primeiro, delimitar a área de estudo com um shapefile atualizado. Evite usar limites municipais inteiros se seu foco for a floresta em pé. Prefira polygons de APP, reserva legal ou unidades de conservação, conforme o objetivo. Segundo, rodar a deteção de desmatamento com o algoritmo do MapBiomas ou com a coleção Sentinel-2 do GEE. Um redutor median reducer aplicado a cada mês reduz ruído de nuvens residuais significativamente.
Terceiro, sobrepor a camada de degradação. Aqui eu calculo a variação anual do height biomass estimate do GEDI e aplico um limiar de 15% de perda em relação ao baseline 2020. Pixels que ultrapassam esse limiar são classificados como degradados. Esse número não é universal. Em floresta de terra firme, 15% funciona bem. Em áreas de transição com saturação de biomassa, o limiar precisa ser ajustado para 10%. Quarto, cruzar com dados de infraestrutura. Rodovias, ferrovias, linhas de transmissão e hidrelétricas são os maiores vetores de degradação indireta. Eu uso buffers de 500 metros ao redor de estradas não pavimentadas e 2 km ao redor de estradas principais, porque a degradação por extração seletiva se concentra nesse raio e já foi documentada em múltiplos estudos de campo.
👉 Clique no botão abaixo para saber mais sobre o assunto!
O quinto passo é validação. Sem amostras de solo, seu mapa é apenas uma suposição elegante. Eu rodo pelo menos 100 pontos stratificados aleatoriamente por classe, comparo com imagens de alta resolução do Planet e do Sentinel-2 em datas próximas, e calculo a matriz de confusão. A precisão global costuma ficar entre 78% e 85% para desmatamento e entre 62% e 71% para degradação. A diferença existe porque a classe degradada é intrinsecamente mais difícil de rotular corretamente.
Pegadinhas que eu aprendi do jeito difícil
Uma vez, passei três semanas confirmando um hotspot de degradação que parecia intenso nos dados do GEDI. Quando fui ao campo, o que encontrei era uma floresta secundária em regeneração após um ciclo de corte e pousio. A biomassa estava crescendo, mas a estrutura vertical ainda era heterogênea, e o algoritmo interpretou como perda. A correção foi adicionar uma variável de idade da sucessão baseada em séries temporais de classificação de uso do solo do MapBiomas e filtrar pixels em classes de agricultura e floresta secundária antes de aplicar o limiar de degradação. Outro problema recorrente é a saturação do sinal óptico em áreas de alta biomassa. O NDVI perde sensibilidade acima de 200 toneladas por hectare de biomassa acima do solo. Se sua área de estudo está na bacia central da Amazônia, confiar apenas em índices vegetativos vai subestimar a degradação em até 30%. Use radar ou lidar nesses casos.
Também vale avisar que alertas de degradação não indicam causa. Um pixel degradado pode ter sido afetado por seca, extração ilegal de madeira, fogo rasteiro, ventania ou abertura de trincheira para mineração. Se o objetivo é ação fiscalizatória, é necessário incorporar dados de calor do MODIS, detecção de fogo ativo e, quando viável, inteligência localizada. Sem isso, o resultado é um mapa bonito que ninguém sabe como interpretar.
Ferramentas gratuitas para começar hoje
O Google Earth Engine é gratuito para pesquisa acadêmica e uso não comercial com cadastro. Basta acessar o site e criar uma conta. O DETER também oferece acesso aberto aos alertas diários de desmatamento. Para degradação, o produto DAOM do GEE e o layer de height biomass do GEDI estão disponíveis sem custo direto. Se você quer um pacote pronto, o Global Forest Watch oferece dashboards prontos com dados do Hansen, do GFC e de alertas de bosques. Não substitui análise própria, mas é útil para triagem rápida e para comunicar resultados a públicos não técnicos.
Para quem prefere trabalhar localmente, o QGIS com o plugins Sentinel Hub e o GDAL permite baixar imagens e processar em CPU própria. O custo é maior em tempo e hardware. Em uma máquina com 32 GB de RAM e SSD, processar 50 mil hectares de Sentinel-2 com correção atmosférica e cálculo de NBR leva aproximadamente 40 minutos. O mesmo fluxo no GEE, com paralelização, dura cerca de 3 minutos.
O que esses dados não conseguem fazer
Monitoramento por satélite não captura desmatamento ilegal em pequena escala dentro de manchas contínuas de floresta. Não distingue espécie Madeireira alvo de espécies secundárias. Não mede perda de biodiversidade em nível de comunidade. E não responde a perguntas sobre governança, pressão de mercado ou efetividade de políticas públicas. Tudo isso exige dados qualitativos, entrevistas, análise de cadeias de suprimento e, quando possível, trabalho de campo sustentado. Se o seu objetivo é apenas produzir um mapinha para um relatório, o fluxo descrito aqui funciona. Se o objetivo é entender o que está acontecendo e intervir de forma eficaz, os dados satelitais são o ponto de partida, não o ponto final. A degradação associada ao desmatamento é um processo lento que muitas vezes acontece antes do desmatamento visível. Capturá-la exige combinar múltiplas fontes, ajustar limiares por tipo de floresta e validar com frequência no terreno. O resto é ruído.
