Mapeamento de ecossistemas de canga ameaçados no Cerrado brasileiro utilizando deep learning segmentação U-Net e imagens Sentinel-2: um primeiro passo para o planejamento de conservação

Resumo

Os ecossistemas de Canga, habitats com elevadas concentrações de ferro, são um desafio para conservação e governança ambiental no Brasil. Eles sustentam uma alta biodiversidade e endemismo, e sofreram intensas perdas e degradações de áreas naturais devido à mineração de ferro em larga escala. O Vale do Rio Peixe Bravo, localizado no Cerrado brasileiro, é uma das últimas regiões com ecossistemas de canga que ainda não sofreu impactos irreversíveis da mineração. Mas ainda há ausência de dados sobre a cobertura vegetal, localização, distribuição geográfica e a área de ocorrência desse ecossistema. Portanto, a ausência de informações em escala adequada dificulta o planejamento em conservação e as estratégias para prevenir, mitigar ou compensar os impactos nos ecossistemas de canga. Neste estudo, nós fornecemos o primeiro mapa de ecossistemas de canga no Brasil elaborado a partir de deep learning segmentação U-Net e imagens de satélite Sentinel-2. Além disso, nós estimamos o grau de ameaça direta dos ecossistemas devido a sobreposição espacial das manchas de cangas preditas e a localização dos títulos de concessão minerária para exploração do minério de ferro. O algoritmo de aprendizado profundo identificou 762 manchas de canga (acurácia acima de 98,5%) em uma área de 30.000 ha no Vale do Rio Peixe Bravo, demonstrando o alto poder preditivo do método de mapeamento. Nós estimamos que há um alto grau de ameaça direta aos ecossistemas de canga, uma vez que 99,6% das manchas de cangas preditas estão incluídas em áreas de concessão de mineração. Nós também destacamos que o conhecimento adquirido sobre a distribuição das cangas por meio da aplicação de um método eficaz de inteligência artificial e do uso de imagens de satélite de código aberto é especialmente importante para apoiar estratégias de conservação e políticas públicas ambientais.

Palavras-chave
Políticas de conservação; monitoramento de ecossistemas; campos rupestres ferruginosos; sensoriamento remoto; inteligência artificial