GIS, Remote Sensing and Machine Learning Applications for Forest Fire Mapping, Susceptibility Assessment and Risk Analysis: A Systematic Review
Esta revisão sistemática de 51 estudos destaca a crescente dominância de modelos de aprendizado de máquina como Random Forest e XGBoost, combinados com dados de sensoriamento remoto como MODIS e Sentinel-2, no mapeamento e avaliação de risco de incêndios florestais, ao mesmo tempo em que identifica lacunas geográficas críticas na pesquisa africana e clama por avanços futuros em resolução de dados, validação de modelos e cobertura global.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Os incêndios florestais são mais do que apenas um espetáculo dramático de fumaça e chamas; são forças poderosas que remodelam paisagens, alteram o ar que respiramos e ameaçam comunidades. Para gerir estes riscos, os cientistas precisam de saber exatamente onde os fogos queimaram, qual foi a gravidade dos danos e onde o próximo incêndio poderá começar. Durante décadas, recolher esta informação exigiu equipas de pessoas no terreno, um processo lento e perigoso que não conseguia cobrir vastas e remotas florestas. Hoje, a visão mudou do chão para o céu. Satélites em órbita da Terra atuam como observadores constantes, capturando imagens da superfície do planeta em luz visível e outras ondas invisíveis. Estas imagens revelam mudanças na vegetação e no calor que sinalizam a presença de um incêndio. Ao combinar estas fotografias de satélite com programas de computador que conseguem detetar padrões — conhecidos como aprendizagem automática (machine learning) — os investigadores podem agora mapear os danos causados pelo fogo e prever riscos futuros com uma velocidade e escala que antes eram impossíveis.
Uma nova revisão sistemática de Lucius Malalu e Henry Chinthuli reúne o trabalho mais recente neste campo, examinando como estas tecnologias estão a ser utilizadas para compreender os incêndios florestais. Os investigadores analisaram 51 estudos publicados entre 2021 e 2026, procurando as formas mais eficazes de mapear áreas queimadas e avaliar o perigo de incêndio. O seu objetivo era ver quais as ferramentas que os cientistas utilizam com mais frequência, onde a investigação está a ocorrer e que desafios permanecem. A revisão revela um campo que está a evoluir rapidamente, afastando-se das simples verificações manuais para sistemas complexos e automatizados que podem processar enormes quantidades de dados para proteger as florestas e as pessoas.
Os investigadores descobriram que o trabalho está fortemente concentrado na Ásia, que representou quase dois terços dos estudos revistos. Países como a China, a Índia e a Turquia lideraram o caminho, enquanto a África, apesar de ter riscos significativos de incêndios florestais, foi representada por apenas quatro estudos. Esta lacuna sugere que, embora a tecnologia esteja a avançar, a sua aplicação ainda não está distribuída de forma uniforme pelo globo. Em termos de ferramentas utilizadas, a revisão destacou que o sensor de satélite MODIS foi a escolha mais popular, aparecendo em 27 dos estudos. Este sensor é valorizado pela sua capacidade de tirar fotografias frequentes da Terra, permitindo aos cientistas acompanhar os incêndios à medida que acontecem. O Sentinel-2, que fornece imagens mais nítidas e detalhadas, foi a segunda ferramenta mais comum. A escolha do sensor depende frequentemente da necessidade específica: o MODIS para observar o panorama geral ao longo do tempo, e o Sentinel-2 para ver os detalhes minuciosos de um determinado mancha queimada.
No que diz respeito aos programas de computador que analisam estas imagens, a aprendizagem automática tornou-se o padrão. O modelo mais utilizado foi o Random Forest, um método que constrói muitas árvores de decisão para fazer uma previsão final, aparecendo em 28 dos estudos. Foi seguido pelo XGBoost e pelas Máquinas de Vetores de Suporte (Support Vector Machines). Estes programas são treinados para reconhecer as "assinaturas" únicas de terra queimada. Eles procuram uma vasta gama de pistas, tais como a temperatura do solo, a quantidade de chuva que caiu recentemente, a inclinação do terreno e a proximidade das florestas a estradas ou cidades. Uma das pistas mais comuns utilizadas foi uma medição chamada Índice de Vegetação de Diferença Normalizada (NDVI), que indica ao computador o quão saudáveis estão as plantas. Ao alimentar o computador com todos estes fatores, os modelos podem criar mapas que mostram não apenas onde um fogo queimou, mas também a probabilidade de uma área arder no futuro.
Apesar destes avanços, a revisão aponta que a tecnologia não é perfeita. Um grande obstáculo é a resolução das imagens. Se a fotografia do satélite for demasiado desfocada, pequenos incêndios podem ser totalmente ignorados, ou as bordas de uma área queimada podem parecer imprecisas. A qualidade e a disponibilidade dos dados também apresentam problemas, especialmente em regiões onde a cobertura de satélite é inconsistente ou onde as nuvens escondem o solo. Os autores observam que, embora os modelos estejam a melhorar, ainda têm dificuldade em funcionar de forma igualmente eficaz em todas as partes do mundo. Um modelo treinado em incêndios num país pode não funcionar com precisão noutro porque as florestas, o clima e as atividades humanas são diferentes.
O caminho a seguir, segundo a revisão, envolve preencher as lacunas na cobertura global, particularmente em África, e melhorar a qualidade dos dados. Os investigadores são incentivados a combinar diferentes tipos de imagens de satélite para obter uma imagem mais clara e a utilizar técnicas de aprendizagem profunda (deep learning) mais avançadas, que podem aprender com as próprias imagens sem necessitar de tantas instruções manuais. O objetivo final é criar sistemas que possam monitorizar as florestas continuamente e fornecer informações fiáveis e atualizadas para ajudar os gestores a tomar melhores decisões. Ao refinar estas ferramentas, a comunidade científica espera transformar a natureza caótica dos incêndios florestais num risco gerível, utilizando os olhos no céu para proteger as florestas abaixo.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.