Contribuição de imagens SAR no monitoramento de queimadas no Pantanal Mato-grossense: estudo de caso: Parque Estadual Encontro das Águas

Abstract

O Pantanal Mato-Grossense, reconhecido por sua extensa planície de inundação e pela sua biodiversidade, vem enfrentando um aumento expressivo na frequência e intensidade de queimadas, agravadas por alterações climáticas. Esses eventos têm gerado impactos significativos sobre o uso e a cobertura da terra, especialmente em áreas protegidas. Diante desse cenário, o monitoramento do fogo, de seus efeitos ecológicos e dos processos de regeneração da vegetação torna-se essencial para a conservação da biodiversidade. Esta pesquisa se propõe a investigar a contribuição de atributos extraídos de dados C-SAR Sentinel-1 na detecção e mapeamento de áreas queimadas, assim como no monitoramento dos impactos das queimadas em diferentes tipologias de vegetação do Pantanal. Adotando o Parque Estadual Encontro das Águas como área de estudo, foi desenvolvida uma abordagem metodológica que avalia, inicialmente, o potencial de atributos polarimétricos extraídos de dados SAR na detecção de áreas queimadas, comparando com abordagens consolidadas que usam índices espectrais derivados do sensor óptico MSI/Sentinel-2. Nesse sentido, imagens pré e pós-fogo dos coeficientes de retroespalhamento SAR 𝜎𝑉𝐻0 e 𝜎𝑉𝑉0 foram comparadas ao índice espectral Normalized Burn Ratio (NBR) por meio do algoritmo Random Forest (RF), e uma rede neural de segmentação semântica U-Net foi empregada na classificação de conjuntos de dados distintos: puramente atributos SAR e misto (SAR e NBR). Em ambos os casos, o desempenho dos atributos SAR foi similar ao do índice NBR. Posteriormente, foi analisado o desempenho de diferentes algoritmos baseados em Aprendizado de Máquina (RF, KNN, SVM e CART) no mapeamento de áreas queimadas exclusivamente a partir de dados SAR, resultando em um melhor desempenho para o algoritmo RF. Por fim, foram construídas séries temporais dos atributos SAR mais relevantes, dos índices espectrais NDVI e NBR e variáveis meteorológicas (precipitação e temperatura), abrangendo o período de 2019 a 2024, definido com base na disponibilidade conjunta dos dados utilizados. A análise do comportamento temporal das diferentes tipologias florestais indicou que os atributos SAR se mostraram sensíveis às alterações estruturais da vegetação causadas pelo fogo e permitiu identificar rupturas no perfil temporal associadas a eventos climáticos extremos, revelando padrões sazonais e dinâmicas de regeneração. Os coeficientes de retroespelhamento 𝜎𝑉𝐻0 e 𝜎𝑉𝑉0 evidenciaram comportamento similar ao índice óptico NBR, amplamente utilizado na detecção de áreas queimadas. Ressalta-se, especialmente, o 𝜎𝑉𝐻0, cuja maior sensibilidade a alterações na estrutura da vegetação o torna particularmente eficiente na detecção de impactos mais severos. Observou-se maior resiliência em formações campestres e impacto prolongado em florestas e savanas, especialmente após os incêndios severos de 2020. Os resultados obtidos na pesquisa reforçam a viabilidade do uso de dados SAR no monitoramento ambiental contínuo, mesmo em condições atmosféricas adversas. A integração de sensores e o uso de técnicas avançadas de análise constituem uma estratégia eficaz para apoiar políticas públicas de conservação, prevenção de incêndios e gestão adaptativa de ecossistemas dinâmicos como o Pantanal.

The Pantanal of Mato Grosso, known for its vast floodplain and rich biodiversity, has been facing a significant increase in the frequency and intensity of wildfires, exacerbated by climate change. These events have caused considerable impacts on land use and land cover, especially within protected areas. Given this scenario, monitoring fire, its ecological effects, and vegetation regeneration processes becomes essential for biodiversity conservation. This research aims to investigate the contribution of attributes extracted from Sentinel-1 C-SAR data in detecting and mapping burned areas, as well as in monitoring the impacts of wildfires on different vegetation types in the Pantanal. By adopting the Encontro das Águas State Park as the study area, a methodological approach was developed to initially assess the potential of polarimetric attributes extracted from SAR data in detecting burned areas, comparing them to well-established approaches using spectral indices derived from the MSI/Sentinel-2 optical sensor. In this context, pre- and post-fire SAR backscatter coefficients 𝜎𝑉𝐻0 and 𝜎𝑉𝑉0 were compared to the Normalized Burn Ratio (NBR) spectral index using the Random Forest (RF) algorithm, and a U-Net semantic segmentation neural network was applied to classify different datasets: purely SAR attributes and a mixed dataset (SAR and NBR). In both cases, the performance of the SAR attributes was comparable to that of the NBR index. Subsequently, the performance of different Machine Learning algorithms (RF, KNN, SVM, and CART) in mapping burned areas using SAR data exclusively was evaluated, with RF yielding the best results. Finally, time series were constructed for the most relevant SAR attributes, NDVI and NBR spectral indices, and meteorological variables (precipitation and temperature), covering the years from 2019 to 2024, according to the common period of data availability. The temporal analysis of different forest typologies revealed that SAR attributes are sensitive to structural changes in vegetation caused by fire, allowing the identification of temporal profile disruptions associated with extreme climatic events, and revealing seasonal patterns and regeneration dynamics. The SAR backscatter coefficients 𝜎𝑉𝐻0 and 𝜎𝑉𝑉0 showed similar behavior to the NBR optical index, which is widely used for detecting burned areas. Notably, 𝜎𝑉𝐻0 demonstrated greater sensitivity to changes in vegetation structure, making it particularly effective in detecting more severe impacts. Grassland formations showed greater resilience, while forests and savannas experienced prolonged impacts, especially following the severe fires of 2020. The findings of this study reinforce the feasibility of using SAR data for continuous environmental monitoring, even under adverse atmospheric conditions. The integration of sensors and the application of advanced analysis techniques represent an effective strategy to support public policies for conservation, fire prevention, and adaptive management of dynamic ecosystems such as the Pantanal.