Spatio-Temporal Analysis of the Pattern of Land use and Land Cover Changes among the Sub-Basins in the White Volta Basin

Resumo Técnico: Análise Espaço-Temporal do Padrão de Mudanças no Uso e Cobertura da Terra entre as Subbacias da Bacia do Volta Branco

Problema
A Bacia do Volta Branco (WVB) em Gana tem sofrido uma degradação ambiental significativa devido a intensas atividades antropogênicas, incluindo urbanização, desmatamento, expansão agrícola, mineração e desenvolvimento de infraestrutura. Estas atividades prejudicaram a capacidade da bacia de fornecer serviços ecossistêmicos essenciais e suporte às formas de subsistência. Embora pesquisas anteriores tenham abordado mudanças de LULC (Uso e Cobertura da Terra) na WVB, estes estudos foram frequentemente conduzidos de forma isolada, focando em secções específicas (ex: médio ou baixo curso) sem considerar o nível de microbacia ou a interconectividade entre as subbacias de montante, médio e jusante. Esta abordagem fragmentada levou a conclusões excessivamente generalizadas e à falta de dados específicos necessários para intervenções de gestão direcionadas. Consequentemente, há uma necessidade crítica de uma análise abrangente, ao nível de subbacia, das dinâmicas de LULC de 1995 a 2023 para compreender a magnitude da degradação e os impulsionadores específicos dentro de cada uma das nove subbacias.

Metodologia
O estudo empregou uma abordagem de métodos mistos combinando sensoriamento remoto, aprendizado de máquina e levantamentos socioeconômicos para analisar as mudanças de LULC através das nove subbacias da WVB (Kulpawn, Sissili, Gambaga, Mole, Kpasenkpe, Nasia, Nabogo, Middle Volta e Lower Volta) durante um período de 28 anos (1995–2023).

• Sensoriamento Remoto e Classificação: Imagens de satélite Landsat (sensores TM, ETM+ e OLI) de 1995, 2005, 2015 e 2023 foram adquiridas da USGS. O pré-processamento foi realizado utilizando QGIS e ArcMap 10.6, incluindo empilhamento, projeção para WGS 84/UTM 30N e recorte (clipping).
• Algoritmo de Aprendizado de Máquina: Um algoritmo de Floresta Aleatória (Random Forest - RF) implementado no software R foi utilizado para a classificação de LULC. O algoritmo RF foi selecionado pela sua capacidade de lidar com dados de alta dimensão, multicolinearidade e relações não lineares, bem como pela sua robustez contra sobreajuste (overfitting) e ruído.
• Treinamento e Validação: Dados de verdade de campo foram coletados via levantamentos de campo (GPS) e coordenadas do Google Earth. Aproximadamente 200 coordenadas por ano e 300 pontos de campo foram utilizados para treinamento. Os dados foram divididos em conjuntos de 70% para treinamento e 30% para teste. Cinco classes de LULC foram definidas: Terras Agrícolas, Áreas Construídas, Floresta de Savana Densa, Floresta de Savana Leve e Corpos de Água. A precisão foi avaliada utilizando a Acurácia Global (OA) e coeficientes Kappa.
• Detecção de Mudanças: Um método de comparação pós-classificação foi usado para gerar matrizes de transição e quantificar mudanças em área e taxas de mudança.
• Análise Socioeconômica: Dados qualitativos e quantitativos foram recolhidos através de inquéritos domiciliares (400 respondentes), Entrevistas com Informantes-Chave (KIIs) e Discussões de Grupos Focais (FGDs) para identificar as causas percebidas das mudanças de LULC. Os dados foram analisados utilizando Stata versão 16.

Principais Resultados

• Precisão da Classificação: A classificação RF alcançou uma Acurácia Global (OA) variando de 74,5% a 82,9% entre as subbacias e anos, com coeficientes Kappa entre 0,65 e 0,80, indicando boa concordância entre os mapas classificados e os dados de referência.
• Tendências de LULC:
  • Floresta de Savana Leve: Aumentou significativamente em toda a bacia. As maiores taxas de aumento foram observadas em Gambaga (117,80%), Kulpawn (47,58%), Middle White (39,81%), Nasia (37,48%) e Sissili (23,17%).
  • Áreas Construídas: Expandiram-se em todas as subbacias. A subbacia Middle White registrou a maior taxa de expansão (13,21%), seguida por Kulpawn (8,33%), Mole (5,85%) e Nabogo (5,49%).
  • Terras de Cultivo: Mostraram uma tendência de crescimento, com Gambaga (9,21%), Nasia (7,46%) e Sissili (6,11%) sendo as subbacias predominantes para a expansão agrícola.
  • Degradação: A subbacia de Kulpawn foi identificada como a mais severamente degradada (taxa de mudança anual de 21,9%), principalmente devido à agricultura comercial e mineração ilegal. A subbacia de Gambaga foi a menos degradada (2,65%).
• Impulsionadores de Mudança:
  • Impulsionadores Próximos: Atividades agrícolas foram o principal impulsionador (média de 17,81%), seguidas pela expansão de áreas construídas (13,94%), mineração (12,12%) e extração de lenha. Subbacias específicas mostraram impulsionadores dominantes únicos: expansão de áreas construídas no Middle White, mineração no Lower White e extração de lenha no Mole.
  • Impulsionadores Subjacentes: O alto crescimento da população humana, níveis de pobreza e mudanças climáticas foram identificados como forças indiretas que aceleram as transições de cobertura de terra.
• Percepções vs. Dados: Enquanto os respondentes perceberam um aumento nos corpos de água (15%), os dados de sensoriamento remoto indicaram uma redução acentuada na área de superfície de água, atribuída à expansão agrícola, desmatamento e assoreamento. Os respondentes identificaram corretamente a conversão de savana densa para savana leve e terras de cultivo.

Principais Contribuições
Este estudo fornece uma avaliação granular, ao nível de subbacia, das dinâmicas de LULC na Bacia do Volta Branco, preenchendo a lacuna deixada por estudos anteriores que se concentraram em secções isoladas ou tendências generalizadas de toda a bacia. Ao utilizar o algoritmo Random Forest, a pesquisa oferece uma classificação robusta e de alta precisão de paisagens de savana complexas. Além disso, a integração de dados de sensoriamento remoto com resultados de inquéritos socioeconômicos permite uma compreensão triangulada dos impulsionadores específicos da degradação em cada subbacia. A pesquisa classifica explicitamente as subbacias por severidade de degradação, identificando Kulpawn, Nasia, Lower White e Kpasenkpe como as áreas mais críticas que requerem intervenção.

Significância e Alegações
Os autores alegam que as descobertas servem como um documento orientador abrangente para o desenho de intervenções direcionadas para abordar a degradação da terra, particularmente nas bacias mais afetadas. O estudo afirma que a sua base espacialmente explícita permite que os formuladores de políticas, a Comissão de Recursos Hídricos e a Autoridade do Rio Volta Branco formulem políticas baseadas em evidências. Especificamente, o artigo defende:

1. Intervenções Direcionadas: Focar esforços de restauração (reflorestamento, agroflorestal, proteção de zonas tampão ripárias) nas subbacias mais degradadas (Kulpawn, Nasia, etc.).
2. Práticas Sustentáveis: Promover práticas de Gestão Sustentável da Terra e da Água (SLM), tais como agricultura de conservação e queimadas controladas, para mitigar impactos agrícolas.
3. Planeamento Integrado: Integrar o planeamento urbano com infraestrutura verde para gerir a expansão de áreas construídas e prevenir a invasão de áreas ecologicamente sensíveis.
4. Governação Inclusiva: Capacitar as comunidades locais para gerir os recursos naturais para aumentar a resiliência.

O artigo conclui que, sem tais políticas de gestão integradas e direcionadas, a integridade ecológica e os sistemas de suporte à vida da WVB continuarão a ser comprometidos, com consequências graves para a disponibilidade de água, biodiversidade e os meios de subsistência das comunidades ribeirinhas.