Área de Estudo: Sul do Estado do Pará
A detecção rápida e precisa de áreas queimadas é fundamental para o manejo adequado de ecossistemas e para a formulação de estratégias eficazes de recuperação ambiental. Apesar dos avanços no sensoriamento remoto, muitos métodos ainda apresentam limitações, especialmente devido à alta ocorrência de falsos positivos em áreas com características espectrais semelhantes. Este projeto de pesquisa propõe uma abordagem automatizada para o mapeamento de áreas queimadas no Google Earth Engine (GEE), combinando a detecção primária baseada em dados de incêndios ativos do MODIS com uma análise multissensor que integra imagens de radar do Sentinel-1 e dados ópticos do Sentinel-2. Inicialmente, os focos de calor detectados pelo MODIS são utilizados para identificar regiões de interesse com maior probabilidade de ocorrência de incêndios. Nessas áreas, séries temporais de imagens do Sentinel-2 são analisadas utilizando índices espectrais como Normalized Burn Ratio (NBR), Mid-Infrared Bispectral Index (MIRBI) e Sentinel-2 Burned Area Index (BAIS2), permitindo detectar mudanças espectrais associadas a queimadas. Para minimizar erros decorrentes da interferência de sombras, nuvens e vegetação estressada, a abordagem incorpora imagens de radar do Sentinel-1, explorando sua capacidade de detectar variações na estrutura e umidade da superfície, tornando a distinção entre áreas queimadas e outros tipos de perturbação ambiental mais precisa. O modelo será desenvolvido no GEE utilizando aprendizado de máquina supervisionado, especificamente o algoritmo Random Forest, que integrará dados ópticos e de radar para refinar a classificação das áreas queimadas. A análise temporal será empregada para evitar classificações errôneas, garantindo que apenas mudanças persistentes e coerentes sejam consideradas queimadas. Além disso, um pós-processamento será implementado para mascarar classes não queimadas, como corpos d’água e vegetação saudável, otimizando a precisão do mapeamento. Espera-se que essa abordagem resulte em uma detecção mais detalhada e confiável das áreas queimadas, reduzindo as taxas de erro de comissão e omissão em comparação com métodos convencionais baseados exclusivamente em dados ópticos. A combinação de fontes de dados complementares e técnicas avançadas de aprendizado de máquina no GEE tem o potencial de fornecer produtos mais robustos para a gestão de incêndios e a avaliação dos impactos ambientais em diferentes biomas.
