O mapeamento de cobertura e uso da terra utiliza imagens Landsat (30m de resolução). Os mapas são elaborados por biomas e temas transversais (como pastagem, agricultura e áreas urbanas) e integrados anualmente em um único mapa para todo o Brasil.

A classificação por bioma e tema transversal permite captar padrões regionais específicos. Devido às particularidades locais, adotamos diferentes metodologias de mapeamento, detalhadas em documentos descritivos — em formato de apêndices — para cada bioma e tema.

O diagrama ilustrativo das principais etapas metodológicas para a produção dos mapas anuais de Cobertura 30m.

Mosaicos anuais

De 1985 a 2024, imagens Landsat (30m) são selecionadas no Google Earth Engine. Para cobrir o Brasil, processam-se anualmente 380 imagens (9 bilhões de pixels), filtrando-se dados sem nuvens ou fumaça. Extraem-se métricas de bandas e índices, gerando mais de 100 camadas de informação anuais por pixel.

Salvos como assets no Google Earth Engine, esses mosaicos orientam a classificação algorítmica, a coleta de amostras e a validação de acurácia.

Classificação

Equipes de biomas e temas transversais usam mosaicos de imagens e aprendizado de máquina para mapear a cobertura e o uso do solo. Os algoritmos são treinados com mapas de referência, áreas estáveis e interpretação visual de imagens Landsat. O processo anual gera mapas com informações históricas integradas em cada pixel.

Pós-classificação: filtros

O filtro espacial aumenta a consistência dos dados ao eliminar pixels isolados segundo um limiar específico por biomas ou tema.

Filtros temporais pixel a pixel corrigem falhas de nuvens e eliminam transições impossíveis (ex: Floresta → Não Floresta → Floresta) em toda a série histórica, com regras específicas por bioma ou tema.

Integração

Nesta fase, integram-se anualmente os mapas das classes para consolidar a cobertura e o uso da terra do Brasil. Regras de prevalência por bioma e tema resolvem sobreposições de pixels. Cada ano é salvo como uma banda de imagem no Google Earth Engine, com aplicação final de filtro espacial para reduzir ruídos e suavizar bordas da integração.

A metodologia empregada para o mapeamento do bioma Amazônia na Coleção 10 do MapBiomas (1985–2024) envolve as seguintes etapas principais:

1. Seleção de imagens: O mapeamento utilizou toda a série de imagens disponíveis dos satélites Landsat 5, 7, 8 e 9, adotando um limite máximo de cobertura de nuvens de 50%. A unidade espacial de mapeamento baseou-se nas cenas (path-row) do Landsat, totalizando 201 cenas que cobrem o bioma. As nuvens e sombras foram mascaradas através dos algoritmos Temporal Dark Outlier Mask (TDOM) e da banda de avaliação de qualidade (BQA) das coleções Landsat. Além disso, imagens com presença severa de nuvens, névoa, sem dados ou com as faixas de falha do Landsat 7 foram removidas manualmente. No processo pós-classificação, mosaicos anuais de mediana auxiliaram o mapeamento de afloramentos rochosos e áreas inundáveis.

2. Classificação: A classificação foi feita por cena utilizando o algoritmo Random Forest. O espaço de atributos (feature space) foi reduzido a 8 métricas: frações de vegetação verde (GV), vegetação não-fotossinteticamente ativa (NPV), solo (SOIL), nuvem (CLOUD), sombra de vegetação verde (GVS), índice de Fração de Diferença Normalizada (NDFI), sombra (SHADE) e índice de Fração de Sombreado da Copa (CSFI). Para o treinamento, foram utilizadas 10.000 amostras geradas pelo LAPIG/UFG, combinadas a uma amostragem regionalizada criada pela técnica de segmentação SNIC (Simple Non-Iterative Clustering).

3. Pós-Classificação: As classes Floresta Alagável e Campo Alagado e Área Pantanosa foram inseridas por meio do mapeamento da “Área Máxima Inundada” utilizando dados complementares GEDI, SRTM e HAND. A classe Afloramento Rochoso também foi mapeada a partir de variáveis geo-morfométricas. Filtros Temporais e de Frequência: aplicou-se um filtro de trajetória para remover transições impossíveis usando janelas móveis de 3 e 5 anos. Um filtro de frequência atuou especificamente para estabilizar os pixels das vegetações nativas (Formação Florestal, Savânica e Campestre). Filtro para o último ano (2024): para corrigir quedas anômalas no último ano mapeado, as classes de Savana, Agricultura e Pastagem com alta frequência histórica (>75%) tiveram suas classificações congeladas.

4. Integração: Os mapas anuais processados pela equipe da Amazônia foram integrados com os mapas dos temas transversais utilizando as regras estabelecidas de prevalência hierárquica. Classes como Usinas Fotovoltaicas, Mineração, Praias/Dunas, Mangue e Aquicultura têm maior prioridade e se sobrepõem à classificação geral, enquanto a classe Pastagem (como tema transversal) figura no fim da ordem de prevalência na Amazônia.

Classes mapeadas — Amazônia (Coleção 10)

5. Pontos de validação e análise de acurácia: A validação contou com um conjunto independente de aproximadamente 25.000 amostras anuais fornecidas pelo LAPIG/UFG (divididas em duas fases de teste). Na Coleção 10, a acurácia global atingiu 97,4% no Nível 1 da legenda e 96,5% no Nível 2.

1. Pré-processamento

Mosaicos Landsat: A classificação utilizou dados de reflectância de superfície das missões Landsat 5, 7 e 8. Para a Coleção 10, foi implementada a geração de mosaicos anuais e sazonais (períodos secos e chuvosos) sob demanda (“on-the-fly”), compostos a cada 32 dias. O mosaico final totalizou um conjunto robusto de 142 bandas, contemplando estatísticas, índices espectrais e frações de mistura.

Preenchimento de Falhas (Gap Fill): Como os novos mosaicos apresentavam mais lacunas de pixels (especialmente em áreas de solo exposto), aplicou-se uma regressão linear banda a banda utilizando dados de coleções anteriores para preencher as falhas.

Regionalização: Para reduzir a variabilidade espectral das imagens, o bioma Caatinga foi dividido em 49 regiões de bacias hidrográficas, permitindo uma amostragem mais precisa e adaptada às características locais.

2. Amostragem e Seleção de Atributos (Features)

Critérios de amostragem: A coleta de amostras focou em áreas de baixa incerteza. Foram excluídas áreas de queimadas, desmatamento ou com nuvens. Adotou-se apenas amostras de pixels que se mantiveram estáveis por uma janela de 3 anos e que mantiveram a mesma classe nas coleções 8 e 9.

Seleção de Atributos: Com 75 atributos inicialmente disponíveis foi empregado o método RFECV (Eliminação Recursiva de Atributos com Validação Cruzada). Este algoritmo analisa a importância das variáveis para cada bacia e seleciona as bandas e índices que oferecem melhor contraste e separabilidade entre os alvos.

3. Modelagem e Classificadores: A coleção adota uma combinação de diferentes métodos de classificação.

• Gradient Tree Boosting (GTB): Tornou-se o classificador primário em detrimento do Random Forest. Embora exija mais tempo de processamento e sintonia fina, o GTB alcança maior acurácia em padrões complexos e lida eficientemente com classes de dados desbalanceadas, que são muito comuns na Caatinga.
• Otimização (Hyperparameter Tuning): Utilizou-se a técnica de busca em grade exaustiva GridSearchCV() acoplada à validação cruzada para encontrar a combinação ideal de hiperparâmetros (como taxa de aprendizado e número de estimadores) do GTB para cada sub-bacia e ano processado.
• Deep Learning (U-Net): Uma novidade da Coleção 10.0 foi o uso do modelo de aprendizado profundo U-Net para criar o mapeamento específico e contínuo de Usinas Fotovoltaicas.
• Algoritmo de Cluster (Agrupamento): Para a classe de Afloramento Rochoso — que possui grande mistura espectral de solo e vegetação — utilizou-se o algoritmo wekaXMeans dentro de polígonos validados pelo Serviço Geológico do Brasil, auxiliando o treinamento dos dados isolando o agrupamento referente às rochas.

4. Classes mapeadas: A tabela abaixo apresenta as classes de cobertura e uso da terra mapeadas no bioma Caatinga.

Classes mapeadas — Caatinga (Coleção 10)

5. Filtros Pós-classificação: As regras de pós-processamento buscam estabilidade temporal e coerência espacial da classificação em um bioma com grandes oscilações sazonais de vegetação como a Caatinga.

• Filtro Espacial: Removeu pixels isolados com baixa conectividade, substituindo-os pelo valor predominante em seu entorno.
• Filtro Temporal: Vasculhou o histórico anômalo utilizando janelas móveis de 3 a 5 anos para corrigir “transições defeituosas”, como mudanças rápidas e irrealistas na recuperação do solo.
• Filtro de Frequência: Assegurou que pixels de vegetação natural que possuíam o mesmo rótulo em mais de 80% da série histórica tivessem todo o seu histórico convertido para aquela classe majoritária.

6. Resultados e Validação: Todas as informações pós-classificadas foram integradas com os temas transversais de outras equipes, consolidando 20 classes (nível 3) mapeadas na Caatinga. A validação, baseada em mais de 85 mil pontos independentes, mostrou que a aplicação do GTB somada ao refinamento amostral elevou a consistência dos mapas: a Coleção 10.0 atingiu uma Acurácia Global de 84,6% no Nível 1, e 79,3% no Nível 3.

1. Mosaicos Landsat: Para melhorar a qualidade dos dados, a Coleção 10 adotou as composições de reflectância de superfície de 32 dias da Coleção 2 do Landsat. O método define uma janela temporal de seis meses (abril a setembro) para a construção dos mosaicos, equilibrando as diferenças espectrais entre a estação seca e a chuvosa, sem perder a capacidade de detecção das florestas decíduas.

2. Regiões de Classificação e Variáveis Preditoras (Feature Space): O bioma Cerrado foi dividido em 38 regiões de classificação baseadas em ecorregiões e na sazonalidade da vegetação, garantindo a homogeneidade fenológica em cada área. O modelo de classificação utiliza 220 variáveis preditoras, incluindo:

• Variáveis anuais: bandas espectrais originais, índices de vegetação (NDVI, EVI2) e métricas de redução estatística (como mediana e amplitude);
• Variáveis estáticas: dados como elevação (HAND), histórico de incêndios, coordenadas espaciais — inovação da Coleção 10.0;
• Variáveis geomorfométricas: como declividade e curvatura para distinguir melhor a vegetação em topografias complexas.

3. Amostras de Treinamento e Classificação: As amostras de treinamento foram geradas a partir de pixels estáveis da Coleção 9.0 (que não mudaram de classe entre 1985 e 2023). Para aumentar a confiabilidade, essas amostras foram filtradas usando mapas de referência regionais, dados de desmatamento e dados de altura de dossel do sensor GEDI, o que ajudou a remover outliers das classes de vegetação. Foram alocadas 4.800 amostras por região através de um desenho amostral estratificado.

4. Classes mapeadas: Na etapa de classificação geral, 8 classes são mapeadas no bioma Cerrado.

Classes mapeadas — Cerrado (Coleção 10)

5. Pós-Processamento e Filtros:

• Filtro Gap-Fill (Preenchimento de Lacunas): Preenche pixels sem dados usando as classificações de anos subsequentes ou anteriores;
• Filtros Temporais e de Frequência: Analisam janelas de 3 a 5 anos para corrigir transições espúrias (idas e vindas rápidas entre classes) e exigem que um pixel seja estável por 90% da série para certas confirmações;
• Filtro “No False Regrowth” (Sem Falsa Regeneração): Aprimorado na Coleção 10, previne falsas detecções de recuperação de vegetação, como a confusão entre áreas de silvicultura maduras e formações florestais nativas, ou picos irreais de áreas úmidas nos primeiros anos da série Landsat;
• Filtro Geomorfométrico: Remove classificações errôneas de “Áreas Úmidas” que foram alocadas em terrenos com declividade igual ou superior a 9%;
• Filtro Espacial: Remove pequenos fragmentos isolados menores que 8 pixels conectados (~0,72 hectares).

6. Mapeamentos específicos:

• Vegetação Herbácea de Restinga (Classe Beta): Mapeada após a classificação via regras baseadas no Índice de Vegetação Ajustado ao Solo (SAVI) e restrita a solos específicos e baixa elevação (HAND < 3,5m) na costa. Trata-se de uma classe experimental (Beta) não incluída na classificação geral devido à escassez de amostras de treinamento. Para evitar falsos positivos no interior do continente, utilizou-se o mapa de solos do IBGE para restringir a ocorrência desta classe apenas sobre Neossolos e Espodossolos nas zonas costeiras.
• Afloramento Rochoso: É classificado em um processo separado para evitar superestimativa na classificação geral. Na Coleção 10.0, seu conceito foi redefinido para englobar apenas a rocha exposta, excluindo a vegetação rupestre. O modelo de Random Forest próprio para esta classe inclui novas variáveis geomorfométricas, o índice de tamanho de grão (TGSI) e amostras adicionais do Serviço Geológico do Brasil (SGB/CPRM).

7. Integração e Acurácia: Os mapas finais são integrados e cruzados com temas transversais utilizando regras de prevalência (ex.: a vegetação nativa sempre prevalece sobre a agropecuária dentro de Áreas Protegidas). O mapa final apresenta 10 classes de uso e cobertura da terra. A validação da Coleção 10, feita com base em mais de 20.800 amostras independentes, alcançou uma acurácia global de 87,6% (Nível 1) e 80,4% (Nível 3).

1. Seleção de Imagens e Mosaicos: O mapeamento utilizou imagens da série histórica dos satélites Landsat 5, 7 e 8. A grande inovação da Coleção 10 foi o uso de mosaicos mensais do Google (“LANDSAT/COMPOSITES/C02/T1_L2_32DAY”) que utilizam métodos de Deep Learning para a recuperação de informações. Isso resultou na construção de mosaicos com menos ruídos gerados por nuvens e sombras. As imagens foram selecionadas preferencialmente no período de abril a setembro.

2. Divisão Regional e Seleção de Atributos: Dada a diversidade ambiental e latitudinal da Mata Atlântica, o bioma foi dividido em 30 regiões homogêneas baseadas na classificação de fitofisionomias do IBGE. Foram calculadas 184 variáveis (incluindo bandas óticas brutas, índices de vegetação, variáveis de relevo como declividade e modelos de mistura espectral). Destas, 60 variáveis foram selecionadas para classificar cada região segundo análise de relevância.

3. Algoritmo de Classificação e Amostragem: A classificação pixel a pixel foi feita pelo algoritmo de machine learning Random Forest, com 100 árvores de decisão.

• Amostras estáveis: O modelo foi treinado a partir de “amostras estáveis” da Coleção 9, que consistem em pixels que permaneceram com a mesma cobertura terrestre por 39 anos. Essas amostras foram balanceadas estatisticamente e filtradas utilizando bases de referência como a altura do dossel florestal (GEDI) e o sistema MapBiomas Alerta (excluindo qualquer ponto com alerta de desmatamento validado).
• Multi Probability: Para gerar o mapa anual, a Coleção 10 aplicou a abordagem “Multi Probability”, onde o algoritmo avalia a probabilidade de um pixel pertencer a múltiplas classes e designa a classificação final àquela com a maior probabilidade, gerando concomitantemente um mapa de incerteza.

4. Classes mapeadas: 12 classes de cobertura e uso são mapeadas durante a etapa de classificação.

Classes mapeadas — Mata Atlântica (Coleção 10)

5. Pós-classificação e Integração: Os filtros pós classificação foram responsáveis por corrigir “falsas regenerações” e “falsos desmatamentos”, preencher vazios ou lacunas (gap-fill), remover ruídos com menos de 0,5 hectares de área e criar uma estabilidade temporal entre as classes naturais utilizando frequências relativas. Por fim, as classificações do bioma foram integradas sob o princípio de regras de prevalência para os “temas transversais” (mapas de agricultura, pastagem, urbanização, etc.), produzindo um resultado final de 27 classes de cobertura e uso da terra.

6. Acurácia e Validação: O resultado metodológico foi testado contra 10.840 pontos independentes de validação revisados. A acurácia global da Coleção 10 alcançou 91,5% para o Nível 1 da legenda e 86,1% no Nível 2.

Conteúdo metodológico em elaboração. Consulte o ATBD completo na página oficial do MapBiomas Brasil.

Conteúdo metodológico em elaboração. Consulte o ATBD completo na página oficial do MapBiomas Brasil.

É possível acessar os dados de Cobertura 30m de diferentes formas.

Como acessar dados?

1. Seleção do dado de interesse
2. Filtros espaciais e temporais
3. Explore o mapa e as estatísticas

Como baixar dados?

1. Seção download
2. Defina o dado de interesse e filtros temporais e espaciais
3. Explore o mapa e as estatísticas

Todas as coleções de dados do MapBiomas estão disponíveis para acesso público na plataforma Google Earth Engine. Os dados de Cobertura 30m podem ser acessados de duas formas principais:

1. Explorando o catálogo de conjuntos de dados do GEE

1. Acesse: https://developers.google.com/earth-engine/datasets/catalog
2. Busque por “MapBiomas Land Use and Land Cover – Brazil” na barra de pesquisa
3. Selecione o conjunto de dados exibido: MapBiomas Land Use and Land Cover – Brazil V1
4. Explore as informações disponíveis sobre o produto (abrangência temporal, seleção da coleção mais recente…)
5. Clique no ícone de redirecionamento em “Earth Engine Snippet” para visualizar os dados no Code editor do GEE
   ee.ImageCollection("projects/mapbiomas-public/assets/brazil/lulc/v1")

2. Acesso direto aos assets das coleções MapBiomas Brasil 30m

No GEE, as coleções de Cobertura 30m estão organizadas por pastas. Explore as pastas disponíveis:

Explore assets para uma coleção. A coleção mais recente de Cobertura 30m é a coleção 10.1:

No GEE, as coleções do MapBiomas são armazenadas em imagens multibanda, onde cada banda representa a classificação de um ano da série histórica de mapeamento. Acesse os dados para um ano de uma coleção específica a partir de um asset id:

Baixe os mapas anuais de cobertura 30m por meio do link abaixo.

Todos os scripts e ferramentas para processamento dos dados do MapBiomas Brasil estão disponíveis no GitHub.

Acesse documentos de coleções anteriores do MapBiomas Brasil Cobertura 30m em nosso repositório de dados.

Os mapas de transição apresentam a variação de classe de cobertura e uso entre os anos da série histórica.

Os mapas de Transição são gerados a partir da comparação entre a classificação de dois anos selecionados da série. Os códigos das classes do produto são calculados segundo a expressão:

(cod. classe no ano I × 100) + cod. classe no ano II

Ao baixar o mapa de transição, o arquivo será um raster (.geotiff) de banda única com os valores de pixel segundo a expressão acima.

Exemplos de códigos de transição (1985–2024)

Na Plataforma MapBiomas, as classes de transição são agrupadas para facilitar a visualização de padrões de mudança. As classes agrupadas são:

• Transições de áreas de cobertura florestal ou áreas naturais não florestais para pastagem, agricultura ou áreas não vegetadas;
• Transições de classes de pastagem, agricultura ou áreas não vegetadas para cobertura florestal ou áreas naturais não florestais;
• Transições que adicionam superfície de água;
• Transições que reduzem a superfície de água;
• Transições com ganho de áreas de silvicultura.

É possível reproduzir esses ou outros agrupamentos a partir dos dados baixados e de operações de álgebra de mapas em um programa SIG, como o QGIS.

Os mapas de transição são derivados dos mapas anuais de cobertura e uso da terra (Cobertura 30m). Após a integração, aplicam-se filtros para refinar a consistência espacial e temporal, diminuindo ruídos e assegurando transições lógicas. O desenvolvimento desses filtros baseou-se em critérios técnicos, padrões de mudança, validação visual e análise espectral, e sua aplicação varia de acordo com o bioma.

Scripts para análise de transições estão disponíveis em nosso repositório público no GitHub:

Os mapas de Áreas estáveis apresentam áreas sem conversão de classes ao longo da série histórica do mapeamento anual de cobertura e uso da terra.

As classes de legenda são as mesmas do produto Cobertura 30m. Consulte a aba Legenda para a tabela completa de classes.

Os mapas de áreas estáveis são derivados do mapeamento anual de cobertura e uso da terra (Cobertura 30m). Selecionam-se os pixels que não apresentaram variação em sua classificação ao longo da série histórica. Esta seleção é executada no mapa final da coleção, após o processo de integração e aplicação de filtros espaciais e temporais.

Scripts para análise de áreas estáveis estão disponíveis em nosso repositório público no GitHub:

Os mapas de número de mudanças apresentam o número de variações — transições entre classes de cobertura e uso da terra — que um pixel teve em um período da série histórica de mapeamento.

Os códigos das classes do mapa de número de mudanças variam de 0 a 6, sendo o código 6 representativo de 6 ou mais mudanças no período selecionado.

Os mapas de número de mudanças são derivados do mapeamento anual de cobertura e uso da terra (Cobertura 30m). Calcula-se quantas vezes um pixel sofreu variação em sua classificação ao longo da série histórica. Este cálculo é executado no mapa final da coleção, após o processo de integração e aplicação de filtros espaciais e temporais.

Como acessar dados?

1. Seleção do dado de interesse
2. Filtros espaciais e temporais
3. Explore o mapa e as estatísticas

Como baixar dados?

1. Seção download
2. Defina o dado de interesse e filtros temporais e espaciais
3. Explore o mapa e as estatísticas

Scripts para análise de número de mudanças estão disponíveis em nosso repositório público no GitHub.