O Imazon monitora mensalmente, com dados de satélites, o desmatamento e a degradação florestal, causada por queimadas e pela exploração predatória de madeira, no bioma Amazônia. Esse monitoramento é feito pelo Sistema de Alerta de Desmatamento (SAD), desenvolvido pelo instituto. Com essa tecnologia, tornamos pública a destruição da floresta, um importante olhar para entender a perda de biodiversidade, as emissões de carbono e as ameaças aos povos das florestas. E se pudéssemos olhar para o futuro? O que aconteceria se conseguíssemos prever onde o bioma poderá ser desmatado?

A derrubada da mata poderá ser evitada. E é para isso que criamos um modelo de previsão de desmatamento , baseado em estatística espacial, que será usado pela Plataforma PrevisIA, ferramenta inovadora desenvolvida pelo Imazon em parceria com a Microsoft e com apoio do Fundo Vale.

A PrevisIA traz várias novidades tecnológicas, como um novo algoritmo de Inteligência Artificial (IA) que detecta e monitora automaticamente estradas clandestinas com imagens de satélites. Esse avanço tecnológico permitiu integrar o mapeamento de estradas com IA no modelo de previsão de desmatamento, porque as estradas não oficiais são uma das variáveis mais importantes na predição de risco.

Estudos apontam que 95% do desmatamento acumulado na Amazônia concentra-se em um raio de 5,5 km das estradas e que 90% das queimadas anuais ocorrem a 4 km delas. Essas estradas são abertas na floresta para a exploração madeireira, garimpo e ocupação de terras públicas sem destinação, a grilagem.

A PrevisIA também traz uma versão aperfeiçoada do modelo de risco com dados de estradas e de desmatamento atualizados, além de estatísticas de diferentes classes de territórios sob maior probabilidade de derrubada da floresta. Isso tudo só é possível devido à capacidade da nuvem de computadores Azure, da Microsoft, que possibilita rodar esses modelos de IA para detectar estradas e gerar estatísticas para previsão de desmatamento.

O modelo de risco da PrevisIA usa informações sobre a localização da ocorrência do corte raso no passado para gerar estimativas da probabilidade da destruição da floresta no próximo calendário de desmatamento, que vai de agosto até julho do ano seguinte. É, portanto, uma predição de desmatamento de curto prazo (até 12 meses). Esse modelo também utiliza variáveis auxiliares, espacialmente distribuídas, incluindo a distância para estradas (oficiais e não oficiais) e rios, topografia, distância para áreas protegidas e dados socioeconômicos.

Além disso, uma característica inovadora desse modelo é a sua capacidade de prever o risco de desmatamento considerando a sua influência nos domínios do espaço e do tempo, de forma simultânea. Isso permite separar as influências de fronteiras de ocupação do território ativas daquelas que já estão consolidadas. Na prática, aumenta a capacidade preditiva do risco de desmatamento e permite que intervenções para o controle da destruição do bioma tenham maior chance de sucesso.

Com a PrevisIA, iniciamos uma nova era na ciência de dados a favor da floresta. Deixamos de reportar apenas o que ocorreu no passado, o que seguirá sendo importante, mas também informaremos com critérios científicos, transparentes e de credibilidade onde devem ocorrer as novas destruições. E esperamos que essa tecnologia seja usada por quem tem o dever de agir na defesa da floresta, pois queremos que as previsões da PrevisIA nunca se concretizem.

Carlos Souza Jr., pesquisador associado e coordenador do Programa de Monitoramento da Amazônia do Imazon e Ph.D. em geografia pela Universidade da Califórnia de Santa Bárbara.

Para saber mais:

1. Brandão, a. O. & Souza, C. M. (2006). Mapping unofficial roads with Landsat images: a new tool to improve the monitoring of the Brazilian Amazon rainforest. Int. J. Remote Sens. 27, 177–189.

2. Kumar, S.S., Roy, D.P., Cochrane, M.A., Souza, C.M., Barber, C.P. & Boschetti, L. (2014). A quantitative study of the proximity of satellite detected active fires to roads and rivers in the Brazilian tropical moist forest biome. Int. J. Wildl. Fire, 23, 532–543.

3. Barber, C.P., Cochrane, M.A., Souza, C.M. & Laurance, W.F. (2014). Roads, deforestation, and the mitigating effect of protected areas in the Amazon. Biol. Conserv., 177, 203–209.

4. Souza, C. (2020). Advances on Earth Observation and Artificial Intelligence to Map Unofficial Roads in the Brazilian Amazon Biome. AGU, https://agu.confex.com/agu/fm20/webprogram/Paper751644.html.

5. Sales, M., de Bruin, S., Herold, M., Kyriakidis, P. & Souza, C. (2017). A spatiotemporal geostatistical hurdle model approach for short-term deforestation prediction. Spat. Stat., 21, 304–318.

6. Rosa, I.M.D., Purves, D., Souza, C. & Ewers, R.M. (2013). Predictive Modelling of Contagious Deforestation in the Brazilian Amazon. PLoS One, 8, e77231.

Every month, Imazon uses satellite data to monitor deforestation in the Brazilian Amazon with the institution’s Deforestation Alert System. With this technology, forest degradation is made public, thus helping to raise awareness and understanding of biodiversity loss, carbon emissions, and the threat to indigenous people. What if we could look to the future? What would happen if we could predict where the biome might be deforested?

We would be able to avoid the forest overthrow. And this is why we have created a deforestation prediction model based on spatial statistics that will be used by PrevisIA, an innovative platform developed by Imazon, Microsoft, and Fundo Vale.

PrevisIA brings out various innovations, such as a new Artificial Intelligence (AI) algorithm that automatically detects and monitors unofficial roads with satellite images. These roads are one of the most important variables in predicting risk.

Studies show that 95% of accumulated deforestation in the Amazon is located within a 5.5 km radius from roads and that 90% of annual fires occur 4 km from them. These roads are opened in the middle of the forest for logging, mining, and land grabbing.

PrevisIA also brings an improved version of the risk model with updated data from roads and deforestation and statistics of different classes of territories most likely to be cleared of the forest. All of this is only possible due to the capability of Microsoft's Azure cloud platform, which enables running these AI models to detect roads and generate statistics for forecasting deforestation.

PrevisIA's risk model uses information about the location where clear-cutting happened in the past to generate estimates of the probability of forest destruction in the following deforestation calendar, which runs from August to July of the next year. It is, therefore, a prediction of short-term deforestation (up to 12 months). This model also uses auxiliary variables, spatially distributed, including distance to roads (both official and unofficial), rivers, topography, distance to protected areas, and socioeconomic data.

In addition, an innovative feature of this model is its ability to predict the risk of deforestation, considering its influence on the domains of space and time simultaneously. This allows separating the influences from active territory occupation frontiers from those that are already consolidated. In practice, it increases the predictive capacity of deforestation risk and permits that interventions to control the destruction of the biome have a greater chance of success.

With PrevisIA, we have started a new era in data science in favor of the forest. We will no longer report what happened in the past, which will continue to be necessary. Still, we will also inform, with scientific, transparent, and trustworthy criteria, where new destruction might occur. And we hope that this technology is used by those who have the duty to act in defense of the forest, as we want PrevisIA's predictions never to come true.

Carlos Souza Jr., associated researcher, and coordinator of Amazon Monitoring Program at Imazon, Ph.D. in Geography from University of California, Santa Barbara.

Read more:

1. Brandão, a. O. & Souza, C. M. (2006). Mapping unofficial roads with Landsat images: a new tool to improve the monitoring of the Brazilian Amazon rainforest. Int. J. Remote Sens. 27, 177–189.

2. Kumar, S.S., Roy, D.P., Cochrane, M.A., Souza, C.M., Barber, C.P. & Boschetti, L. (2014). A quantitative study of the proximity of satellite detected active fires to roads and rivers in the Brazilian tropical moist forest biome. Int. J. Wildl. Fire, 23, 532–543.

3. Barber, C.P., Cochrane, M.A., Souza, C.M. & Laurance, W.F. (2014). Roads, deforestation, and the mitigating effect of protected areas in the Amazon. Biol. Conserv., 177, 203–209.

4. Souza, C. (2020). Advances on Earth Observation and Artificial Intelligence to Map Unofficial Roads in the Brazilian Amazon Biome. AGU, https://agu.confex.com/agu/fm20/webprogram/Paper751644.html.

5. Sales, M., de Bruin, S., Herold, M., Kyriakidis, P. & Souza, C. (2017). A spatiotemporal geostatistical hurdle model approach for short-term deforestation prediction. Spat. Stat., 21, 304–318.

6. Rosa, I.M.D., Purves, D., Souza, C. & Ewers, R.M. (2013). Predictive Modelling of Contagious Deforestation in the Brazilian Amazon. PLoS One, 8, e77231.