Philip M. Fearnside

Exploração madeireira e incêndios florestais: 9 – Métodos para avaliar o efeito da exploração madeireira na propagação do fogo e a validação dos modelos

Por Amazônia Real Publicado em: 10/11/2022 às 17:42

Paulo Eduardo Barni, Anelícia Cleide Martins Rego, Francisco das Chagas Ferreira Silva, Richard Anderson Silva Lopes, Haron Abrahim Magalhães Xaud, Maristela Ramalho Xaud, Reinaldo Imbrozio Barbosa & Philip Martin Fearnside

Avaliação do efeito do SL na propagação do fogo

É importante notar que as classes de severidade do fogo não foram consideradas na avaliação do efeito da ESM na propagação do fogo na floresta. Para avaliar a propagação do fogo, consideramos cinco classes de vulnerabilidade que foram calculadas e mapeadas usando o método de pesos de evidência. Os seguintes procedimentos foram realizados para testar o efeito da ESM na propagação do fogo na área de estudo: 1.) fazer um mapa de probabilidade de transição usando todas as variáveis do banco de dados; 2.) fazer um mapa de probabilidade de transição usando todas as variáveis do banco de dados, exceto as variáveis de ESM; 3.) fazer um mapa de probabilidade de transição usando apenas variáveis de banco de dados com pouca ou nenhuma correlação com a ESM e classe de ano da ESM e; 4.) fazer um mapa de probabilidade de transição usando apenas a ESM e classe de ano da ESM junto com as variáveis do banco de dados com pouca ou nenhuma correlação com a ESM.

Esses procedimentos também foram realizados para as variáveis “desmatamento” e “estradas secundárias”, que foram altamente correlacionadas com a ESM na área de estudo (Tabela S10). Os tamanhos (km²) de cinco classes de vulnerabilidade da floresta ao fogo foram então comparados nos mapas. A diferença (em %) no tamanho da área da classe com maior vulnerabilidade ao fogo foi calculada comparando o mapa feito usando o conjunto de variáveis que incluiu tanto a ESM e as variáveis sem correlação com a ESM com o mapa de probabilidade calculado apenas com o conjunto de variáveis sem correlação com a ESM. A diferença percentual foi considerada para representar o efeito da ESM na propagação do fogo na área de estudo. Para efeito de comparação e servir de referência para subsidiar as discussões, foi realizado o mesmo procedimento descrito acima para as variáveis “desmatamento” e “estradas secundárias”. Os efeitos das variáveis também foram expressos em termos de biomassa (megagramas = Mg) vulnerável ao fogo na área de estudo. Neste caso, apenas a área da classe com maior probabilidade de incêndio foi considerada para efeito de aplicação dos cálculos de biomassa na comparação entre os modelos.

Correlação entre variáveis espaciais no cálculo de pesos de evidência

A aplicação do método de pesos de evidência pressupõe independência espacial entre as variáveis. No caso de pares de variáveis com correlação acima de 0,5, uma delas deve ser retirada do conjunto de mapas que serão utilizados na modelagem para garantir o cumprimento do pressuposto de independência do modelo [1]. Essa independência é medida ou estimada pela observação de alguns parâmetros, principalmente o de contingência, que, a exemplo da análise de correlação de Pearson [2], indica a quantidade de correlação que existe entre duas variáveis espaciais (Tabela S10).

Validação dos modelos

Para validar os modelos de simulação, foi utilizada a técnica de comparação de similaridade recíproca [3] baseada na adaptação do método de similaridade fuzzy e do método Kfuzzy, que é considerado equivalente à estatística Kappa e leva em consideração a imprecisão tanto da localização quanto da categoria dentro de uma vizinhança celular [4]. O método é baseado no estado inicial da célula central de cada janela, observando os estados semelhantes e divergentes das células em sua vizinhança (ou proximidade) como parâmetro de comparação entre os mapas. Nesta abordagem, o cenário de incêndio simulado é comparado com o cenário de 2015-2016 (cenário inicial) e com o cenário de 2016 (mapa de incêndio que realmente ocorreu) usando “janelas” de tamanhos diferentes em uma função de decaimento exponencial (truncado para um tamanho da janela de 11 × 11 células) (Figura S7). A função de decaimento exponencial registra as pontuações das comparações entre mapas produzidos com tamanhos de janela crescentes (3 × 3 pixels, 5 × 5 pixels,…, 11 × 11 pixels), e o resultado do teste (%) é retornado como um arquivo de tabela no formato .csv (Figura S7). A janela atua como um filtro cobrindo todas as linhas no mapa raster para fazer a comparação (Figura S7). Os modelos são geralmente considerados válidos para simulação quando o valor de similaridade para os mapas que estão sendo comparados é ≥ 50% [5, 6]

Figura S7. Método de comparação difusa usando um mapa de diferenças e uma função de decaimento exponencial. O processo aplica uma função de decaimento constante na qual todos os pesos da janela são definidos como 1 (A). A janela convolui sobre o mapa, obtendo um valor fuzzy para a célula central (B). X = valores nulos no mapa. Fonte: adaptado do guia Dinamica-EGO (https://csr.ufmg.br/dinamica/).

.Os testes foram realizados em um submodelo do software Dinamica-EGO (Figura S8). A função “Calc reciprocal similarity map” no Dinamica-EGO calcula uma similaridade bidirecional do primeiro mapa (cenário simulado) para o segundo (cenário inicial) e do segundo para o terceiro (cenário final) (Figura S7). É aconselhável escolher sempre o menor valor de similaridade, pois os mapas aleatórios tendem a produzir ajustes artificialmente altos quando comparados univocamente, pois espalham as alterações por todo o mapa. Este teste emprega uma função de decaimento exponencial truncada fora de um tamanho de janela de 11 × 11 células. O

resultado do teste é retornado em um arquivo de tabela .csv (Figura S8). [7]

Figura S8. Submodelo para cálculo de similaridade no software Dinamica-EGO. Fonte: adaptado do guia Dinamica-EGO (https://csr.ufmg.br/dinamica/).

A imagem que abre este artigo mostra uma área de queimadas no sul do Amazonas em 16 de agosto de 2022 (Foto: Greenpeace)

Notas

[1] Bonham-Carter, G., 1994. Geographic Information Systems for Geoscientists: Modeling with GIS. Pergamon, New York, NY, E.U.A. 398 pp.

[2] Figueiredo Filho, D.B., Silva Junior, J.A., 2009. Desvendando os mistérios do coeficiente de correlação de Pearson (r). Política Hoje, 18(1): 115-146.

[3] Soares-Filho, B.S., Garcia, R.A., Rodrigues, H., Moro, S., Nepstad, D., 2008. Nexos entre as dimensões socioeconômicas e o desmatamento: A caminho de um modelo integrado. In: Batistella, M., Alves, D., Moran, E. (Eds.). Amazônia. Natureza e Sociedade em Transformação. v. 1., EDUSP, São Paulo, SP.

[4] Hagen, A., 2003. Fuzzy set approach to assessing similarity of categorical maps. International Journal Geographical Information Science, 17: 235-249.

[5] Barni, P.E., Fearnside, P.M., Graça, P.M.L.A., 2015. Simulating deforestation and carbon loss in Amazonia: impacts in Brazil’s Roraima state from reconstructing Highway BR-319 (Manaus-Porto Velho). Environmental Management, 55: 124–1138.

[6] Barni, P.E., Barbosa, R.I., Manzi, A.O., Fearnside, P.M., 2020. Simulated deforestation versus satellite data in Roraima, northern Amazonia, Brazil. Sustentabilidade em Debate, 11(2): 81-94.

[7] Esta série é uma tradução parcial de Barni, P.E., A.C.M. Rego, F.C.F. Silva, R.A.S. Lopes. H.A.M. Xaud, M.R. Xaud, R.I. Barbosa & P.M. Fearnside. 2021. Logging Amazon forest increased the severity and spread of fires during the 2015-2016 El Niño. Forest Ecology and Management, 500: art. 119652.

Sobre os autores

Paulo Eduardo Barni é Engenheiro Florestal graduado pela Universidade Federal do Amazonas (2007), mestre em Ciências de Florestas Tropicais – CFT, pelo Instituto Nacional de Pesquisas da Amazônia – INPA/Manaus (2009) e doutor em Clima e Ambiente, pelo INPA e Universidade Estadual do Amazonas – UEA (2014). Seu interesse em pesquisa inclui modelagem ambiental e climática, com ênfase no comportamento do fogo florestal de sub-bosque, queimadas, simulações de desmatamento, recuperação de áreas degradadas, biomassa de capoeiras e estocagem e emissões de carbono florestal para a atmosfera. É professor da Universidade Estadual de Roraima – UERR, Campus Rorainópolis, Região Sul do Estado de Roraima.

Anelícia Cleide Martins Rego é aluna de graduação na Universidade Estadual de Roraima – UERR, Campus Rorainópolis.

Francisco das Chagas Ferreira Silva é aluno de graduação na Universidade Estadual de Roraima – UERR, Campus Rorainópolis.

Richard Anderson Silva Lopes concluiu a Especialização em Geoprocessamento pela Universidade de Brasília em 2005. Atualmente é Técnico especializado no Corpo de Bombeiros Militar de Roraima, Boa Vista, Roraima. Atua na área de Geografia, com ênfase em Sensoriamento Remoto.

Haron Abrahim Magalhães Xaud é Eng. Agrônomo formado pela Universidade Federal Rural do Rio de Janeiro (UFRRJ) com Mestrado e Doutorado em Sensoriamento Remoto pelo Instituto Nacional de Pesquisas Espaciais-INPE. É pesquisador da Embrapa-Roraima e professor permanente do PRONAT-UFRR (Mestrado e Doutorado). Se dedica a pesquisas nas áreas de Recursos Florestais, Sensoriamento Remoto, Agricultura Sem Queima, Gestão Territorial e Incêndios Florestais.

Maristela Ramalho Xaud possui graduação em Engenharia Agronômica pela Universidade Federal Rural do Rio de Janeiro (1993) e mestrado (1998) e doutorado (2013) em Sensoriamento Remoto pelo Instituto Nacional de Pesquisas Espaciais-INPE. É pesquisadora da Empresa Brasileira de Pesquisa Agropecuária (Embrapa-Roraima). Tem experiência em sensoriamento remoto e geoprocessamento em estudos sobre desmatamento, queimadas, incêndios florestais e mudanças de uso e cobertura da terra. Atua como professora colaboradora do Programa de Pós-graduação em Recursos Naturais da Universidade Federal de Roraima-UFRR.

Reinaldo Imbrozio Barbosa é Engenheiro Florestal pela Universidade Federal Rural do Rio de Janeiro (UFRRJ) e Doutor em Biologia Tropical (Ecologia) pelo Instituto Nacional de Pesquisas da Amazônia (INPA). Possui especial interesse em estudos relacionados às mudanças climáticas, uso e ocupação da terra, dinâmica de ecossistemas e emissões de gases do efeito estufa decorrentes das atividades antrópicas na Amazônia. É pesquisador titular do INPA, Professor do Programa de Pós-graduação em Recursos Naturais da UFRR (Doutorado/Mestrado) e professor colaborador nos cursos de Pós-graduação em Ecologia e Ciências Florestais do INPA (Doutorado/Mestrado). Suas publicações podem ser encontradas aqui.

Philip Martin Fearnside é doutor pelo Departamento de Ecologia e Biologia Evolucionária da Universidade de Michigan (EUA) e pesquisador titular do Instituto Nacional de Pesquisas da Amazônia (Inpa), em Manaus (AM), onde vive desde 1978. É membro da Academia Brasileira de Ciências. Recebeu o Prêmio Nobel da Paz pelo Painel Intergovernamental para Mudanças Climáticas (IPCC), em 2007. Tem mais de 750 publicações científicas e mais de 650 textos de divulgação a que estão disponíveis aqui.

Artigos de Opinião ou colunas

Sobre a matéria

Amazônia Real

A agência de jornalismo independente e investigativo Amazônia Real é uma organização sem fins lucrativos, criada por jornalistas mulheres em 20 de outubro de 2013, em Manaus, no Amazonas, Norte do Brasil. Sua missão é fazer jornalismo ético e investigativo, pautado nas questões da Amazônia e de seu povo. A linha editorial é voltada à defesa da democratização da informação, da liberdade de expressão, da liberdade de imprensa e dos direitos humanos. ([email protected])