Visão Geral
Conheça a base metodológica que orienta todos os mapeamentos do MapBiomas Brasil: sensoriamento remoto, aprendizado de máquina e processamento em nuvem via Google Earth Engine.
O MapBiomas Brasil surgiu em 2015 como uma iniciativa dedicada ao mapeamento anual da cobertura e uso da terra no Brasil. Ao longo do tempo, o projeto expandiu seu escopo para monitorar outros temas, incluindo cicatrizes de fogo, superfície de água, carbono orgânico do solo e vetores de degradação da vegetação nativa.
A metodologia é fundamentada em sensoriamento remoto por satélite, com processamento pixel por pixel, usando extensivos algoritmos de aprendizado de máquina na plataforma Google Earth Engine. A produção dos mapas é organizada em coleções — versões sucessivamente aprimoradas que incorporam melhorias metodológicas contínuas.
Plataformas de monitoramento
Além dos mapas anuais de cobertura, o MapBiomas Brasil opera plataformas especializadas de monitoramento:
- MapBiomas Alerta — alertas de desmatamento em tempo quase-real
- Monitor do Fogo — cicatrizes de queimadas em escala mensal (Sentinel-2)
- Monitor da Recuperação — acompanhamento da regeneração de vegetação nativa
- Monitor da Mineração — mapeamento de áreas de extração mineral
- Monitor do Crédito Rural — verificação de conformidade de crédito rural
Os mapas são desenvolvidos por bioma e integrados em um único mapa para o Brasil. A classificação por bioma permite captar os padrões específicos de vegetação, clima e uso do solo de cada região. Ao todo, o Brasil é mapeado em seis biomas: Amazônia, Caatinga, Cerrado, Mata Atlântica, Pampa e Pantanal.
As equipes de especialistas interdisciplinares são organizadas em dois tipos:
- Equipes de bioma — programadores, especialistas em sensoriamento remoto e conservação liderados por uma instituição responsável por cada bioma
- Equipes de temas transversais — grupos dedicados a classes que cruzam todos os biomas, como pastagem, agricultura, áreas urbanizadas, mineração e silvicultura
O processo de geração dos mapas anuais segue sete etapas principais:
- Coleta de imagens — seleção de pixels sem nuvem das imagens de satélite
- Mosaicos anuais — composição das métricas espectrais
- Classificação — Random Forest e outros algoritmos treinados por bioma
- Filtro espacial — eliminação de pixels isolados ou de borda
- Filtro temporal — correção de transições impossíveis ao longo da série
- Integração — consolidação do mapa nacional com regras de prevalência
- Mapas de transição — rastreamento de mudanças entre pares de anos
Artigos 6
ArtigoRocha et al – Mapping Burned Area in the Caatinga Biome: Employing Deep Learning TechniquesLer artigo
ArtigoAlencar et al – Long-Term Landsat-Based Monthly Burned Area Dataset for the Brazilian Biomes Using Deep LearningLer artigo
ArtigoArruda et al – An alternative approach for mapping burn scars using Landsat imagery, Google Earth Engine, and Deep Learning in the Brazilian SavannaLer artigo
ArtigoSaraiva et al – Automatic Mapping of Center Pivot Irrigation Systems from Satellite Images Using Deep LearningLer artigo
ArtigoParente et al – Next Generation Mapping: Combining Deep Learning, Cloud Computing, and Big Remote Sensing DataLer artigo
ArtigoRosa, Marcos R – Comparação e análise de diferentes metodologias de mapeamento da cobertura florestal da Mata AtlânticaLer artigo