11 Detecção de Mudanças na Paisagem
11.1 Paisagens em transformação
A paisagem não é uma entidade estática. Sua estrutura (composição e configuração) muda ao longo do tempo em resposta a forças motrizes naturais (sucessão ecológica, perturbações climáticas, dinâmica geomorfológica) e antrópicas (desmatamento, expansão agrícola, urbanização, restauração). A detecção de mudanças (change detection) é o conjunto de técnicas que identifica, quantifica e cartografa essas transformações a partir de dados de sensoriamento remoto adquiridos em datas distintas.
A detecção de mudanças é fundamental para a Ciência da Paisagem porque permite transformar diagnósticos estáticos (a paisagem possui 30% de floresta) em diagnósticos dinâmicos (a paisagem perdeu 5% de floresta na última década, concentrados na porção norte da bacia, associados à expansão da soja). Essa dimensão temporal é indispensável para o planejamento territorial, a avaliação de políticas públicas e a projeção de cenários futuros.
11.2 Abordagens de detecção de mudanças
As técnicas de detecção de mudanças podem ser classificadas em três famílias principais, conforme a abordagem analítica empregada, sintetizadas na Figura 11.1.
A Figura 11.1 distingue três paradigmas com complexidade e requisitos crescentes. A comparação pós-classificação é a abordagem mais intuitiva. Duas imagens (ou mais) de datas distintas são classificadas independentemente em mapas de uso e cobertura, e a comparação pixel-a-pixel (ou objeto-a-objeto) identifica as transições ocorridas (floresta→pastagem, pastagem→área urbana, cultivo→regeneração). A simplicidade conceitual é contrabalançada por uma limitação severa. Os erros de classificação de cada mapa se multiplicam na comparação, de modo que uma classificação com 85% de acurácia em cada data pode gerar um mapa de transições com apenas 72% de acurácia (0,85 × 0,85). As falsas mudanças (transições espúrias causadas por erros de classificação, não por mudanças reais) podem superar as mudanças verdadeiras em paisagens com baixa taxa de conversão.
A detecção por diferença de imagens calcula a diferença (ou razão) entre valores espectrais ou índices de vegetação em duas datas. A diferença de NDVI entre 2010 e 2020, por exemplo, revela áreas onde a vegetação diminuiu (diferença negativa, potencial desmatamento) ou aumentou (diferença positiva, potencial regeneração). A vantagem é que não depende de classificação prévia, evitando a propagação de erros. A limitação é que detecta apenas a magnitude e direção da mudança, sem identificar as classes envolvidas (não distingue desmatamento para pastagem de desmatamento para cultivo), e é sensível a variações sazonais e atmosféricas entre as datas comparadas.
A análise de séries temporais opera sobre sequências densas de imagens (mensais ou anuais) e detecta mudanças como rupturas, tendências ou anomalias nos perfis temporais de cada pixel. Algoritmos como BFAST (Breaks For Additive Season and Trend), LandTrendr (Landsat-based Detection of Trends in Disturbance and Recovery) e CCDC (Continuous Change Detection and Classification) decompõem a série temporal em componentes de tendência, sazonalidade e ruído, e identificam rupturas que indicam perturbações (desmatamento, fogo, inundação) e segmentos de recuperação (regeneração, reflorestamento). Essa abordagem é a mais robusta, pois utiliza toda a informação temporal disponível e distingue mudanças reais de flutuações sazonais normais.
11.3 Matrizes de transição
A análise quantitativa das mudanças na paisagem utiliza matrizes de transição (transition matrices) que contabilizam a área convertida entre cada par de classes ao longo do período analisado (Pontius Jr et al., 2004). Cada célula da matriz indica a área que transitou da classe da linha para a classe da coluna. A diagonal principal contém as áreas que permaneceram estáveis, e as células fora da diagonal contêm as transições.
A Tabela 11.1 ilustra uma matriz de transição hipotética para uma paisagem de 10.000 ha analisada entre 2000 e 2020.
| De / Para (ha) | Floresta | Pastagem | Cultivo | Urbano | Total 2000 |
|---|---|---|---|---|---|
| Floresta | 2.800 | 700 | 300 | 0 | 3.800 |
| Pastagem | 200 | 2.600 | 600 | 100 | 3.500 |
| Cultivo | 50 | 150 | 1.900 | 100 | 2.200 |
| Urbano | 0 | 0 | 0 | 500 | 500 |
| Total 2020 | 3.050 | 3.450 | 2.800 | 700 | 10.000 |
A Tabela 11.1 revela padrões de mudança que não seriam visíveis numa comparação simples de proporções. A floresta perdeu 1.000 ha (de 3.800 para 3.050 quando se subtraem os 200 ha que ganhou da pastagem por regeneração), predominantemente para pastagem (700 ha) e cultivo (300 ha). A pastagem diminuiu levemente em termos líquidos, mas moveu-se internamente (devolveu 200 ha para floresta e recebeu 700 ha da mesma). A área urbana praticamente dobrou (de 500 para 700 ha), inteiramente à custa de pastagem (100 ha) e cultivo (100 ha). Essas informações de fluxo (quem cedeu para quem) são tão importantes quanto as de estoque (quanto de cada classe existe em cada data) e são essenciais para identificar forças motrizes e projetar tendências.
11.4 Intensidade da mudança
Pontius et al. (2004) propuseram a análise de intensidade (intensity analysis) como arcabouço estatístico para interpretar matrizes de transição. A análise opera em três níveis hierárquicos. O nível de intervalo avalia se a taxa anual de mudança é mais rápida ou mais lenta do que num período de referência. O nível de categoria identifica quais classes são ativas (mudam mais do que o esperado pela taxa uniforme) e quais são adormecidas. O nível de transição identifica quais transições específicas são dominantes para cada classe ativa, revelando processos como “a expansão da soja ocorre preferencialmente sobre pastagem, não sobre floresta” ou “a urbanização avança preferencialmente sobre cultivo periurbano”.
Essa análise hierárquica transforma a matriz de transição em diagnóstico ecológico e político, permitindo identificar não apenas o que mudou e quanto, mas quais transições são sistematicamente favorecidas (ou evitadas) em relação ao que seria esperado ao acaso.
11.5 Detecção de mudanças em séries longas
Para paisagens brasileiras, o projeto MapBiomas oferece a série temporal mais completa e espacialmente abrangente de mapas de uso e cobertura, com mapeamento anual de 1985 a presente em resolução de 30 m (Landsat). A partir desses mapas anuais, é possível construir matrizes de transição para qualquer período, calcular taxas anuais de desmatamento e regeneração, e identificar trajetórias de mudança para cada pixel ao longo de quatro décadas.
O módulo MapBiomas Alerta automatiza a detecção de desmatamento recente (alertas semanais a mensais) com validação visual e espacialização, enquanto o módulo MapBiomas Degradação identifica processos graduais de perda de qualidade da vegetação (degradação florestal, não capturada como mudança de classe) a partir de séries temporais de métricas espectrais. Esses produtos exemplificam a transição da detecção de mudanças baseada em comparação de duas datas para sistemas de monitoramento contínuo que operam em tempo quase real.
11.6 Trajetórias de mudança
A análise de trajetórias temporais vai além da comparação entre duas datas ao reconstruir o histórico de uso de cada pixel ao longo de toda a série. Uma parcela que era floresta em 1985, foi desmatada em 1990, convertida em pastagem até 2005, cultivada com soja de 2005 a 2015 e atualmente apresenta regeneração secundária tem uma trajetória completamente diferente de uma parcela que permaneceu como floresta durante todo o período, mesmo que ambas sejam classificadas como “vegetação” em 2024.
A tipificação de trajetórias permite identificar padrões regionais de mudança de uso do solo, como o ciclo de fronteira clássico na Amazônia (floresta → pastagem → degradação → regeneração ou soja), a intensificação agrícola no Cerrado (cerrado nativo → pastagem extensiva → soja/milho safrinha) e a regeneração passiva em áreas marginais da Mata Atlântica (pasto abandonado → capoeira → floresta secundária). A identificação dessas trajetórias é fundamental para calibrar modelos de projeção de cenários futuros (Capítulo 20).
DicaFerramentas para análise de trajetórias
O Google Earth Engine permite reconstruir trajetórias de uso para qualquer pixel do território brasileiro a partir da coleção MapBiomas. O pacote sits (Satellite Image Time Series) em R oferece funções para classificação de séries temporais com machine learning. O algoritmo LandTrendr reconstrói segmentos de tendência e identifica perturbações e recuperações em séries Landsat de 30+ anos.
11.7 Mudanças e métricas da paisagem
A combinação de detecção de mudanças com métricas da paisagem (calculadas para cada data da série temporal) permite quantificar a trajetória da estrutura da paisagem ao longo do tempo. A proporção de habitat (PLAND), o número de manchas (NP), a área média (AREA_MN), o índice de forma (SHAPE_MN) e a conectividade (PROX, IIC) calculados para cada ano revelam se a paisagem está se fragmentando (NP aumenta, AREA_MN diminui), se consolidando (NP diminui, AREA_MN aumenta por coalescência de fragmentos em regeneração) ou se mantendo estável.
Essa análise temporal de métricas é particularmente poderosa quando combinada com informações sobre políticas públicas (implementação do Código Florestal, moratória da soja, pagamentos por serviços ambientais) e com dados socioeconômicos (preço de commodities, taxas de crédito rural, pressão demográfica). A correlação entre tendências de métricas e eventos político-econômicos permite avaliar, ainda que parcialmente, a efetividade de políticas de conservação e gestão territorial, um tema retomado no Capítulo 19 e no Capítulo 20.