CONHEÇA OS PASSOS DA METODOLOGIA MAPBIOMAS

Aqui detalhamos a metodologia do MapBiomas Mata Atlântica passo a passo. Para cada classe e tema tratado no mapa existem peculiaridades e características específicas que podem ser conferidas em detalhes no ATBD.

Tudo começa com imagens de satélite Landsat, com uma resolução de 30 metros, disponíveis gratuitamente na plataforma Google Earth Engine e com uma série cronológica de mais de 30 anos. As imagens podem conter nuvens, fumaça e outros artefatos que podem “contaminá-los”. Para produzir uma imagem limpa, são selecionados pixels livres de nuvens a partir das imagens disponíveis para o período de tempo selecionado. Para cada um desses pixels, são extraídas métricas que explicam o comportamento do pixel naquele ano. Isto é feito para cada uma das 7 bandas espectrais de satélite, bem como para as frações espectrais e índices calculados. Por exemplo, para a Banda 1, são coletadas a mediana dos valores da banda no período, o valor máximo, o valor mínimo e a amplitude de variação. No final, cada pixel transporta até 104 camadas de informação durante um ano.

Para cada ano, é criado um mosaico cobrindo toda a Mata Atlântica, representando o comportamento de cada pixel através de 104 métricas ou camadas de informação. Este conjunto de mosaicos é armazenado como uma coleta de dados dentro da plataforma Google Earth Engine. Estes mosaicos serão utilizados de duas maneiras principais. Primeiro como uma fonte de parâmetros para o algoritmo classificar as imagens (ver próximo passo). Este mosaico também é usado para gerar a composição RGB que permite que a imagem de fundo seja exibida na plataforma MapBiomas. Esta composição também é usada para coletar amostras de treinamento e avaliar a precisão por interpretação visual.

A partir dos mosaicos de imagem, a cobertura e o uso do solo (floresta, pastagem, agricultura, pastagem, áreas não cobertas por vegetação, água, etc.) é mapeada. Para fazer isso, os analistas da MapBiomas Trinational Atlantic Forest utilizam um classificador automático chamado “floresta aleatória”, que roda nos processadores de nuvens do Google. Este sistema é baseado no aprendizado da máquina: para cada classe a ser classificada, o algoritmo é “treinado” com amostras dos alvos a serem classificados. Estas amostras são obtidas através de mapas de referência, geração de mapas de classe estáveis da série anterior MapBiomas Mata Atlântica Trinacional e por coleta direta de amostras complementares através da interpretação visual das imagens Landsat.

A filtragem espacial visa aumentar a consistência espacial dos dados através da remoção de pixels isolados ou de borda. As regras de vizinhança são definidas que podem levar a uma mudança na classificação dos pixels. Por exemplo, um pixel que tenha menos de dois dos nove pixels vizinhos na mesma classe será re-classificado para a classe predominante na vizinhança. O filtro se aplica a todas as classes e anos da coleção.

Para reduzir inconsistências temporais, em particular mudanças na cobertura e uso que são impossíveis ou não permitidas (por exemplo, floresta natural > Não florestal > Floresta natural) e para corrigir falhas devido ao transbordo de nuvens ou dados ausentes, um filtro temporal é aplicado. Cada classe pode ter regras específicas de filtragem temporal. O filtro temporal é aplicado a cada pixel, analisando todos os anos da Coleção (por exemplo, a Coleção 3 tem 38 anos).

Para entender as mudanças na cobertura e uso do solo, são produzidos mapas com transições de classe entre diferentes pares de anos selecionados. Assim, é possível visualizar o dinamismo do território e responder a perguntas, por exemplo, quanto da floresta foi convertido em pastagem de um ano para o outro. Os mapas de transição são produzidos pixel a pixel e, uma vez finalizados, são também filtrados espacialmente para remover pixels isolados ou de transição de borda. A partir destes mapas, são construídas matrizes de transição para cada unidade administrativa, disponíveis na plataforma MapBiomas da Mata Atlântica Trinacional.