Souza et al. Amazon severe drought in 2023 triggered surface water loss
O trabalho tem como objetivo apresentar uma estimativa da extensão da perda de água na Amazônia brasileira em 2023, devido à seca severa provocada pelo El Niño e pelo aquecimento dos oceanos. A pesquisa estima a perda de 3,3 milhões de hectares de água superficial, destacando as áreas mais afetadas, especialmente nos estados do Amazonas e Pará, e os impactos significativos em rios e na biodiversidade aquática. Além disso, avalia como essa perda afeta comunidades tradicionais, como indígenas e extrativistas, e ressalta a vulnerabilidade dessas populações às mudanças climáticas. Por fim, o artigo defende a criação de um sistema de monitoramento integrado para melhorar a compreensão dos impactos climáticos e facilitar a resposta adequada a essas questões.
Rocha et al. Towards Uncovering Three Decades of LULC in the Brazilian Drylands: Caatinga Biome Dynamics (1985–2019)
Este artigo busca analisar as mudanças no uso e cobertura da terra no bioma Caatinga no Brasil ao longo de 35 anos, de 1985 a 2019. Através de uma colaboração com o projeto MapBiomas e utilizando dados do Landsat, o estudo fornece uma visão detalhada das transformações na paisagem da Caatinga. Os resultados destacam uma significativa redução na vegetação natural, principalmente devido à expansão da pecuária e da agricultura, e sublinham a importância de entender essas mudanças para a construção de políticas sociais, econômicas e ambientais para a região e outras áreas secas ao redor do mundo.
Arruda et al. Assessing four decades of fire behavior dynamics in the Cerrado biome (1985 to 2022)
Este artigo analisa quatro décadas de dados sobre incêndios no Cerrado Brasileiro (1985–2022), usando mapas anuais de fogo. O estudo revela que 40% do bioma foi afetado por incêndios, com um aumento na frequência e no tamanho das áreas queimadas, principalmente devido a ignições humanas e a expansão agrícola. O artigo destaca ainda a necessidade de estratégias de conservação, como o Manejo Integrado do Fogo, para mitigar esses impactos e melhorar a resiliência ao clima.
Souza et al. Landsat sub-pixel land cover dynamics in the Brazilian Amazon
Este estudo propõe uma nova abordagem para caracterizar e medir a dinâmica da cobertura do solo no bioma Amazônia. Primeiro, definimos 10 classes fundamentais de cobertura do solo: floresta, floresta inundada, matagal, pastagens naturais, pastagens, terras agrícolas, afloramentos, nus e impermeáveis, zonas húmidas e água. Em segundo lugar, mapeamos a cobertura do solo com base na abundância composicional das informações de subpixel do Landsat que compõem estas classes de cobertura do solo: vegetação verde (GV), vegetação não fotossintética, solo e sombra. Terceiro, processamos todas as cenas Landsat com <50% de cobertura de nuvens. Em seguida, aplicamos um algoritmo de aprendizado de máquina florestal aleatório passo a passo e regras de decisão empíricas para classificar as classes de cobertura do solo intra-anual e anual entre 1985 e 2022. Finalmente, estimamos as mudanças anuais na cobertura do solo em ecossistemas florestados e não florestados e caracterizamos os principais impulsionadores da mudança.
Baeza et al. Two decades of land cover mapping in the Río de la Plata grassland region: The MapBiomas Pampa initiative
O trabalho descreve e analisa as mudanças na cobertura da terra em toda a região de Campos do Rio da Prata (RPG) nas duas primeiras décadas do século XXI, especialmente aquelas relacionadas à perda dos campos. Em 20 anos, a região do RPG perdeu pelo menos 2,4 milhões de hectares de campos naturais (9% da área remanescente de campos existentes em 2001). A maior parte dessas perdas está concentrada no Brasil e no Uruguai e está associada a novas áreas agrícolas ou de silvicultura que aumentaram 5% e 100%, respectivamente.
Alencar et al. Long-Term Landsat-Based Monthly Burned Area Dataset for the Brazilian Biomes Using Deep Learning
O artigo apresenta uma nova estratégia com uso de aprendizado de máquina para mapear áreas queimadas mensalmente de 1985 a 2020, usando mosaicos de imagens Landsat e valores mínimos de NBR. Este novo conjunto de dados contribui para o entendimento da dinâmica espacial e temporal de longo prazo dos regimes de incêndio que são fundamentais para projetar políticas públicas apropriadas para reduzir e controlar os incêndios no Brasil.
Cayo et al. Mapping Three Decades of Changes in the Tropical Andean Glaciers Using Landsat Data Processed in the Earth Engine.
Este artigo apresenta o mapeamento e a dinâmica de recuo das geleiras tropicais andinas (TAGs) a partir da utilização de imagens da série temporal Landsat de 1985 a 2020, com processamento e classificação digital das imagens de satélite na plataforma Google Earth Engine.
Coelho-Junior et al – Unmasking the impunity of illegal deforestation in the Brazilian Amazon: a call for enforcement and accountability
Este artigo traz uma perspectiva sobre a dinâmica dos alertas de desmatamento, validados e refinados pelo MapBiomas Alerta (http://alerta.mapbiomas.org/), na Amazônia brasileira e as ações dos órgãos públicos federais e estaduais de fiscalização, destacando a urgência de reduzir e combater o desmatamento.
Santos et al – Assessing the Wall-to-Wall Spatial and Qualitative Dynamics of the Brazilian Pasturelands 2010–2018, Based on the Analysis of the Landsat Data Archive
Neste estudo foi mapeada e avaliada a dinâmica espaço-temporal da qualidade das pastagens no Brasil, entre 2010 e 2018, considerando três classes de degradação: Ausente (D0), Intermediário (D1) e Grave (D2). Não houve variação na área total ocupada por pastagens no período avaliado, apesar da dinâmica espacial acentuada.
Cesar et al. – A Large-Scale Deep-Learning Approach for Multi-Temporal Aqua and Salt-Culture Mapping
Aquicultura e salicultura são atividades econômicas relevantes na Zona Costeira brasileira (BCZ). No entanto, a discriminação automática de tais atividades de outras coberturas / usos relacionados à água não é uma tarefa fácil. Nesse sentido, as redes neurais convolucionais (CNN) têm a vantagem de prever o rótulo de classe de um determinado pixel, fornecendo como entrada uma região local (patches ou chips nomeados) em torno desse pixel. Tanto a natureza convolucional quanto a capacidade de segmentação semântica fornecem o classificador U-Net com a capacidade de acessar o “domínio de contexto” em vez de apenas pixel isolado valores. Apoiado no domínio do contexto, apresentamos os resultados das análises.