Novo mapeamento com Inteligência Artificial ajudará a prevenir desmatamento na Amazônia

Fonte: Superinteressante

Raul Queiroz Feitosa é Professor do Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio). Este texto foi republicado do site The Conversation sob uma licença Creative Commons. Leia o artigo original.

Nos últimos 40 anos, o Brasil perdeu 111,7 milhões de hectares de áreas naturais, uma área maior do que a Bolívia. Só na Amazônia, o bioma mais afetado, foram 52,1 milhões de hectares destruídos. Nos últimos 12 meses, foram desmatados 4.495 km² na Amazônia, 4% a mais do que no mesmo período do ano anterior. Combater esse problema exige fiscalização e também informação de qualidade, que seja rápida, precisa e acionável.

Foi com essa premissa que desenvolvemos, no Departamento de Engenharia Elétrica da PUC-Rio, um modelo de Inteligência Artificial (IA) capaz de prever, com até 15 dias de antecedência, as áreas com maior risco de desmatamento na Amazônia Legal. O projeto foi feito em parceria com o Instituto Nacional de Pesquisas Espaciais (INPE), o Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renováveis (Ibama) e o Ministério do Meio Ambiente e Mudança do Clima (MMA).

Essa ferramenta, batizada de Deforestation Prediction System, já está em operação na plataforma de dados geográficos TerraBrasilis, mantida pelo INPE, e disponível para uso do Ibama e dos municípios da região. Ela foi concebida para apoiar decisões estratégicas de fiscalização e prevenção, aumentando a eficiência das operações e reduzindo desperdícios de recursos.

Por que um novo modelo era necessário

A previsão de desmatamento é fundamental, pois os técnicos não podem visitar todos os lugares da Amazônia. É necessário priorizar. As ações de fiscalização são caras, envolvem deslocamentos por longas distâncias e áreas de difícil acesso. A ferramenta que até então era usada pelo Ibama precisava ser atualizada, pois se baseava em um método proposto há cerca de 20 anos. Por isso, o Ministério do Meio Ambiente buscou apoio para desenvolver uma solução que incorporasse os avanços mais recentes em Inteligência Artificial.

Nosso grupo PUC-Rio tem mais de 20 anos de experiência em análise de imagens em sensoriamento remoto. Minha atuação como representante da América Latina nas duas principais sociedades científicas internacionais da área – a Sociedade de Geociências e Sensoriamento Remoto, do Instituto de Engenheiros Eletricistas e Eletrônicos (GRSS-IEE) e a Sociedade Internacional de Fotogrametria e Sensoriamento Remoto (ISPRS) – possibilitou a construção de parcerias e colaborações em projetos tanto no Brasil quanto no exterior, incluindo o próprio INPE.

Foi nesse contexto que, por sugestão do coordenador do Programa de Monitoramento da Amazônia e Demais Biomas (PAMZ+) do INPE, Dr. Cláudio Almeida, nossa equipe foi convidada para integrar o desenvolvimento do projeto, com foco na coordenação metodológica das soluções de IA. O trabalho recebeu investimento de R$ 2,5 milhões da Climate and Land Use Alliance (CLUA), uma coalizão internacional de fundações dedicada à proteção das florestas tropicais. Iniciamos em janeiro de 2024 e concluímos recentemente, já com a etapa de implementação em andamento.

---

Como funciona a previsão

A base do modelo está em identificar fatores ou condições mais relacionadas ao desmatamento iminente, de modo que possam antecipar a sua ocorrência. Para isso, usamos a vasta base de dados históricos da Amazônia Legal, disponibilizada pelo INPE. O Instituto realiza o monitoramento sistemático dos biomas brasileiros por sensoriamento remoto, gerando um grande volume de dados em plataformas como PRODES e DETER.

---

Selecionamos variáveis espaciais e ambientais, como rede hidrográfica, proximidade de rodovias, limites de áreas protegidas e terras indígenas, padrões climáticos e, sobretudo, registros históricos de desmatamento. Esse último fator é essencial, já que nvos eventos tendem a se repetir próximos aos locais já afetados no passado.

Então, testamos quatro abordagens distintas de IA. A que apresentou melhor equilíbrio entre precisão e custo computacional foi adotada, conseguindo apontar, com alto grau de acerto, onde há maior probabilidade de novos desmatamentos em até 15 dias.

Da teoria à prática