Mapping the evolution of small reservoirs in Brazil from 1984 to 2025 using deep learning

Resumo Técnico: Mapeando a Evolução de Pequenos Reservatórios no Brasil (1984–2025)

Definição do Problema
A pesquisa hídrica no Brasil historicamente negligenciou o amplo represamento de pequenos cursos d'água para fins agrícolas, como dessedentação animal, microgeração hidrelétrica em escala de fazenda, irrigação e aquicultura. Embora as grandes barragens sejam bem estudadas, os pequenos reservatórios (<1 km²) são ubíquos, porém difíceis de mapear. Seu tamanho reduzido leva a pixels mistos em imagens de satélite, e distinguir reservatórios artificiais de lagos naturais, áreas úmidas e lagos de oxbow (braços mortos) permanece um desafio significativo. Consequentemente, a maioria dos conjuntos de dados regionais e globais exclui essas feições, criando uma lacuna na compreensão dos impactos cumulativos desses pequenos represamentos de cursos d'água na temperatura da água, conectividade, biodiversidade, emissões de gases de efeito estufa e perdas de água por evaporação. Os esforços de mapeamento existentes foram limitados pela dificuldade de discriminação por sensoriamento remoto e pela falta de conjuntos de dados consistentes de longo prazo.

Metodologia
Para enfrentar esses desafios, os autores desenvolveram uma abordagem de aprendizado profundo (deep learning) para gerar mapas anuais de todo o território brasileiro de pequenos reservatórios de 1984 a 2025.

• Fontes de Dados: O estudo utilizou um arquivo de 42 anos de imagens Landsat (Landsat 5 ETM, Landsat 7 ETM+, Landsat 8 OLI e Landsat 9 OLI-2). Composições de reflectância de superfície de valor mediano livres de nuvens foram geradas usando o Google Earth Engine, incorporando cenas de anos adjacentes para minimizar a contaminação por nuvens. As bandas de entrada incluíram Blue, Green, Red, NIR, SWIR-1 e SWIR-2.
• Dados de Treinamento: A verdade de campo foi estabelecida usando um composto do Sentinel-2 de 2017 (resolução de 10m) livre de nuvens. Os pesquisadores anotaram manualmente 1.510 blocos (tiles) de 5km x 5km, identificando 4.474 reservatórios. Para melhorar a robustez do modelo, 196 blocos adicionais cobrindo planícies de inundação de rios e áreas úmidas sem reservatórios foram adicionados ao conjunto de treinamento para ajudar o modelo a distinguir corpos d'água que não são reservatórios.
• Arquitetura do Modelo: Uma Rede de Atenção Multiescala (MA-Net) com um backbone ResNet-34 foi treinada do zero para realizar segmentação semântica binária. O modelo foi projetado para delinear extensões totais de reservatórios sem depender de suposições rígidas baseadas em regras.
• Calibração entre Sensores: Para garantir a consistência entre as quatro gerações de Landsat, limiares de predição binária independentes foram ajustados para cada sensor. O Landsat 8 serviu como referência para o Landsat 7, que, por sua vez, serviu como referência para o Landsat 5. O Landsat 9 utilizou o mesmo limiar do Landsat 8 devido à similaridade entre os sensores.
• Inferência e Pós-processamento: O modelo foi aplicado a todo o território brasileiro usando uma abordagem de janela deslizante (sliding window). O pós-processamento envolveu a máscara de pixels corrompidos por nuvens e a filtragem de detecções que sobrepunham corpos d'água conhecidos (>1 km²) para remover falsos positivos de enseadas ou baías de grandes lagos.

Principais Resultados

• Crescimento dos Reservatórios: O estudo detectou um aumento de quase quatro vezes no número de pequenos reservatórios, subindo de 263.913 em 1984 para 996.245 em 2025. A área de superfície total expandiu-se de 3.510 km² para 8.550 km².
• Distribuição Espacial: Inicialmente, os reservatórios estavam concentrados nos biomas Pampa, Cerrado, Mata Atlântica e Caatinga. Durante o período de estudo, o bioma Amazônia apresentou o crescimento mais dramático, com a área de reservatórios aumentando em 996% (de 127 km² para 1.390 km²). O Pantanal permaneceu relativamente livre de reservatórios.
• Dinâmicas Temporais: A taxa de criação de reservatórios permaneceu relativamente constante ao longo de quatro décadas, com picos e platôs ocasionais. O bioma da Caatinga apresentou alta variabilidade, com as contagens de reservatórios flutuando significativamente em resposta a eventos de seca.
• Desempenho do Modelo: A MA-Net alcançou alta precisão no conjunto de teste de 2017 retido. Ao comparar anos sobrepostos entre sensores, o Landsat 8 e 9 demonstraram maior sensibilidade a pequenos reservatórios comparados ao Landsat 7 e 5, detectando significativamente mais reservatórios (ex: 43,8% mais que o Landsat 7) enquanto mantinham estimativas de área total semelhantes. Isso sugere que o Landsat 8/9 detectou muitos reservatórios muito pequenos que os sensores anteriores perderam ou fragmentaram.
• Consistência do Sensor: Apesar da falha do Corretor de Linha de Varredura (Scanline Corrector) no Landsat 7 em 2003, a concordância entre o Landsat 5 e 7 permaneceu alta. No entanto, o estudo observa que as diferenças entre sensores introduzem descontinuidades na série temporal, particularmente em relação às contagens de reservatórios, exigindo a seleção cuidadosa de sensores com base na aplicação específica (ex: análise de contagem vs. análise de área).

Significância e Alegações
Os autores afirmam que este trabalho fornece o primeiro conjunto de dados anual em nível nacional que representa a evolução de pequenos reservatórios ao longo de quatro décadas. A principal significância reside em:

1. Preenchimento de uma Lacuna de Dados: Fornecer um registro consistente e multidecadal de barreiras de pequenos cursos d'água, que são críticos para entender os impactos hidrológicos da expansão agrícola no Brasil.
2. Avanço Metodológico: Demonstrar que a segmentação semântica por aprendizado profundo pode mapear efetivamente pequenos reservatórios alimentados por rios através de múltiplas gerações de Landsat, superando as limitações de abordagens de classificação em duas etapas e de anotação manual.
3. Utilidade Científica: Os mapas disponíveis publicamente permitem novas pesquisas sobre os impactos cumulativos de pequenas barragens nas emissões de gases de efeito estufa, fragmentação de rios, qualidade da água e biodiversidade. O conjunto de dados permite o refinamento das estimativas de emissões e a análise dos vetores por trás da construção de reservatórios em relação à política agrícola, desenvolvimento de infraestrutura e variabilidade climática.

O artigo conclui que, embora o conjunto de dados seja robusto, ele provavelmente subestima a extensão total dos reservatórios devido às variações sazonais (os mapas refletem os mínimos da estação seca) e ao potencial de confusão com represas de águas pluviais (barraginhas). No entanto, o estudo estabelece uma ferramenta fundamental para monitorar mudanças na superfície de água em pequena escala no Brasil e oferece um arcabouço para aplicar métodos semelhantes à dinâmica das águas superficiais globais.