Novo mapeamento com IA ajudará a prevenir desmatamento na Amazônia

Nos últimos 40 anos, o Brasil perdeu 111,7 milhões de hectares de áreas naturais, uma área maior do que a Bolívia. Só na Amazônia, o bioma mais afetado, foram 52,1 milhões de hectares destruídos. Nos últimos 12 meses, foram desmatados 4.495 km² na Amazônia, 4% a mais do que no mesmo período do ano anterior. Combater esse problema exige fiscalização e também informação de qualidade, que seja rápida, precisa e acionável.

Foi com essa premissa que desenvolvemos, no Departamento de Engenharia Elétrica da PUC-Rio, um modelo de IA (Inteligência Artificial) capaz de prever, com até 15 dias de antecedência, as áreas com maior risco de desmatamento na Amazônia Legal.

O projeto foi feito em parceria com o Inpe (Instituto Nacional de Pesquisas Espaciais, o Ibama (Instituto Brasileiro do Meio Ambiente e dos Recursos Naturais Renováveis) e o MMA (Ministério do Meio Ambiente e Mudança do Clima).

Essa ferramenta, batizada de Deforestation Prediction System, já está em operação na plataforma de dados geográficos TerraBrasilis, mantida pelo Inpe, e disponível para uso do Ibama e dos municípios da região. Ela foi concebida para apoiar decisões estratégicas de fiscalização e prevenção, aumentando a eficiência das operações e reduzindo desperdícios de recursos.

Por que um novo modelo era necessário

A previsão de desmatamento é fundamental, pois os técnicos não podem visitar todos os lugares da Amazônia. É necessário priorizar. As ações de fiscalização são caras, envolvem deslocamentos por longas distâncias e áreas de difícil acesso.

A ferramenta que até então era usada pelo Ibama precisava ser atualizada, pois se baseava em um método proposto há cerca de 20 anos. Por isso, o Ministério do Meio Ambiente buscou apoio para desenvolver uma solução que incorporasse os avanços mais recentes em Inteligência Artificial.

Nosso grupo PUC-Rio tem mais de 20 anos de experiência em análise de imagens em sensoriamento remoto. Minha atuação como representante da América Latina nas duas principais sociedades científicas internacionais da área – a Sociedade de Geociências e Sensoriamento Remoto, do Instituto de Engenheiros Eletricistas e Eletrônicos (GRSS-IEE) e a Sociedade Internacional de Fotogrametria e Sensoriamento Remoto (ISPRS) – possibilitou a construção de parcerias e colaborações em projetos tanto no Brasil quanto no exterior, incluindo o próprio Inpe.

Foi nesse contexto que, por sugestão do coordenador do Programa de Monitoramento da Amazônia e Demais Biomas (PAMZ+) do Inpe, Dr. Cláudio Almeida, nossa equipe foi convidada para integrar o desenvolvimento do projeto, com foco na coordenação metodológica das soluções de IA.

O trabalho recebeu investimento de R$ 2,5 milhões da Climate and Land Use Alliance (CLUA), uma coalizão internacional de fundações dedicada à proteção das florestas tropicais. Iniciamos em janeiro de 2024 e concluímos recentemente, já com a etapa de implementação em andamento.

Como funciona a previsão

A base do modelo está em identificar fatores ou condições mais relacionadas ao desmatamento iminente, de modo que possam antecipar a sua ocorrência.

Para isso, usamos a vasta base de dados históricos da Amazônia Legal, disponibilizada pelo Inpe. O instituto realiza o monitoramento sistemático dos biomas brasileiros por sensoriamento remoto, gerando um grande volume de dados em plataformas como Prodes e Deter.

Selecionamos variáveis espaciais e ambientais, como rede hidrográfica, proximidade de rodovias, limites de áreas protegidas e terras indígenas, padrões climáticos e, sobretudo, registros históricos de desmatamento. Esse último fator é essencial, já que novos eventos tendem a se repetir próximos aos locais já afetados no passado.

Então, testamos quatro abordagens distintas de IA. A que apresentou melhor equilíbrio entre precisão e custo computacional foi adotada, conseguindo apontar, com alto grau de acerto, onde há maior probabilidade de novos desmatamentos em até 15 dias.

Da teoria à prática

A última etapa foi a operacionalização. O Inpe integrou o método à Sala de Situação da plataforma TerraBrasilis. O Ibama, como principal órgão de fiscalização, participou ativamente para garantir que a ferramenta atendesse às necessidades operacionais de planejamento e execução.

Além disso, os modelos também foram disponibilizados aos municípios amazônicos, permitindo que orientem suas próprias ações dentro de seus territórios.

Para facilitar a adoção, realizamos dois workshops sobre o uso prático do modelo. O primeiro, em Brasília, no final de junho de 2025, reuniu equipes do Ibama; o segundo, em Manaus, no final de julho, foi voltado a representantes dos 67 municípios da Amazônia, em parceria com o Programa União com Municípios pela Redução do Desmatamento e Incêndios Florestais (UcM).

Assim, o sistema acaba de ser colocado em uso pelo Ibama e já foi disponibilizado às administrações locais que estiverem interessadas. Ele também tem uma sinergia com o metaprojeto Amazonizar, iniciativa da PUC-Rio que reúne todas as pesquisas e projetos da universidade voltados para os desafios climáticos e a sustentabilidade.

Expectativas e próximos passos

Ainda é cedo para medir o impacto real da nova ferramenta sobre os índices de desmatamento em médio e longo prazos. Os próximos 12 meses serão decisivos para avaliar como ela reflete nos índices de desmatamento. Mas sabemos que é difícil estimar ganhos numéricos diretos, já que o desmatamento nos biomas brasileiros é um fenômeno complexo, influenciado por diversos fatores que extrapolam as operações do Ibama.

Mesmo assim, nossos experimentos indicaram que o novo modelo reduz os erros de previsão em cerca de 75% a 80% em comparação com o modelo anterior. Por isso, acreditamos que, ao fornecer informações mais precisas e oportunas aos órgãos competentes, a ferramenta permitirá maior eficiência das ações de combate e prevenção, contribuindo para reduzir os índices de desmatamento.

Agora, com apoio do Ministério do Meio Ambiente, estamos elaborando uma nova proposta para estender o uso de IA à previsão de outros eventos prejudiciais à floresta, como incêndios e processos de degradação, além de expandir o modelo para outros biomas, como o Cerrado.

Nossa aposta é que a união entre universidades e órgãos de governo possa gerar soluções mais concretas de proteção ambiental.

Perguntas e respostas

Qual é o objetivo do novo mapeamento com Inteligência Artificial na Amazônia?

O objetivo do novo mapeamento é prever, com até 15 dias de antecedência, as áreas com maior risco de desmatamento na Amazônia Legal, apoiando decisões estratégicas do Ibama e dos municípios da região.

Quais dados históricos foram utilizados para desenvolver o modelo?

O modelo utiliza uma vasta base de dados históricos da Amazônia Legal, disponibilizada pelo Instituto Nacional de Pesquisas Espaciais (Inpe), que inclui informações sobre desmatamento, rede hidrográfica, proximidade de rodovias, limites de áreas protegidas e terras indígenas, além de padrões climáticos.

Como a nova ferramenta foi desenvolvida e quem participou do projeto?

A ferramenta, chamada Deforestation Prediction System, foi desenvolvida pelo Departamento de Engenharia Elétrica da PUC-Rio em parceria com o Inpe, o Ibama e o Ministério do Meio Ambiente e Mudança do Clima (MMA). O projeto recebeu investimento de R$ 2,5 milhões da Climate and Land Use Alliance (CLUA).

Como a ferramenta será utilizada pelos órgãos competentes?

A ferramenta já está em operação na plataforma de dados geográficos TerraBrasilis e foi disponibilizada para uso do Ibama e dos municípios amazônicos, permitindo que eles orientem suas próprias ações dentro de seus territórios.

Quais são os próximos passos após a implementação do modelo?

Após a implementação, o Ministério do Meio Ambiente está elaborando uma nova proposta para estender o uso de Inteligência Artificial à previsão de outros eventos prejudiciais à floresta, como incêndios e processos de degradação, além de expandir o modelo para outros biomas, como o Cerrado.

Qual é a importância da previsão de desmatamento na Amazônia?

A previsão de desmatamento é fundamental, pois permite priorizar as áreas a serem fiscalizadas, uma vez que os técnicos não conseguem visitar todos os locais da Amazônia devido ao alto custo e à dificuldade de acesso.

Raul Queiroz Feitosa recebe financiamento do CNPq e da Capes.