Mapeando a invasão de uma unidade de conservação na Mata Atântica por bambus exóticos durante uma década

Abstract

Invasões biológicas representam uma das principais causas para a perda da biodiversidade global, sendo ainda mais críticas em hotspots como a Mata Atlântica brasileira, em que a emergência por conservação exige tomadas de decisão rápidas e assertivas. Espécies de bambu exóticas podem ser invasoras agressivas, mas a dificuldade de mapear sua expansão, principalmente em paisagens heterogêneas, representa um desafio aos gestores de áreas protegidas, sendo esta uma etapa fundamental para o sucesso do controle. Então, procuramos desenvolver e aplicar uma metodologia para mapear uma invasão por bambu em uma área protegida na Mata Atlântica, utilizando técnicas de sensoriamento remoto para classificar a área de estudo e dados de campo coletados para treinar o algoritmo. Utilizando uma série temporal de 10 anos (2016-2025) de imagens Sentinel-2 aprimoradas com dados gerados por inventário florestal para treinar um algoritmo classificador Random Forest com fotointerpretação guiada, identificamos coberturas de solo e diferenciamos vegetação nativa de bambus invasores. Encontramos uma dinâmica de competição entre a classe nativa e a invasora. A série classificada apresentou alta acurácia, revelando uma taxa média de expansão de 0,25 ha/ano. Por último, a metodologia apresentou excelente desempenho na identificação da ocupação pelas espécies exóticas invasoras de bambu na área de estudo e pode ser replicada por diferentes casos de invasão biológica, contribuindo para o monitoramento de áreas protegidas e a conservação da biodiversidade.

Biological invasions are one of the main causes of global biodiversity loss, and are even more critical in hotspots such as the Brazilian Atlantic Forest, where the conservation emergency requires quick and assertive decision-making. Alien bamboo species can be aggressive invaders, but the difficulty of mapping its expansion, especially in heterogeneous landscapes, poses a challenge to protected area managers, as this is a fundamental step for a successful control. Thus, we aimed to develop and apply a methodology to map a bamboo invasion in a protected area in the Brazilian Atlantic Forest, using remote sensing techniques to classify the study area and field data collected to train the algorithm. Using a 10-year time series (2016-2025) of Sentinel-2 images enhanced with data generated by forest inventory to train a Random Forest classification algorithm with guided photo interpretation we identified land cover and differentiated native vegetation from invasive bamboo. We found a competition dynamic between the native and invasive classes. The classified series showed high accuracy, revealing an average expansion rate of 0.25 hectares per year. Lastly, the methodology performed greatly in identifying the occupation by an invasive alien bamboo species in the study area and can be replicable for different cases of biological invasion, contributing to the monitoring of protected areas and biodiversity conservation