Análise da Evolução Temporal de Garimpo Ilegal Sobre a Terra Indígena Kayapó
DOI:
https://doi.org/10.26848/rbgf.v18.3.p2069-2086Keywords:
Sensoriamento remoto, Desmatamento, Landsat-8, Análise temporalAbstract
Ferramentas de sensoriamento remoto são essenciais para monitorar a expansão de garimpos em Terras Indígenas (TI), muitas vezes sendo a única forma de fiscalização ambiental, especialmente em áreas remotas. Apesar de estudos sobre a proteção de TI estarem bem documentados, a relação entre a expansão do garimpo e as políticas governamentais é pouco explorada. Nesse contexto, o sensoriamento remoto permite mapear essas regiões e mensurar os impactos em diferentes escalas. Este estudo teve como objetivo avaliar a expansão do garimpo ilegal em cinco áreas da TI Kayapó entre 2014 e 2023, utilizando a plataforma Google Earth Engine e imagens do satélite Landsat-8. O algoritmo Random Forest foi empregado para classificar quatro classes: garimpo, água, vegetação e desflorestamento. Os resultados indicaram uma redução nas classes água (24,57%) e vegetação (4,89%), com um aumento significativo nas classes garimpo (380%) e desflorestamento (149%). O garimpo mostrou forte correlação com o desflorestamento (p<0,05; 0,94) e vegetação (p<0,05; -0,95). O estudo revelou que a expansão do garimpo na TI Kayapó cresceu durante o período analisado, influenciada por eventos político-sociais, como mudanças governamentais e a pandemia de 2019. Além disso, a resolução espacial das imagens favoreceu a precisão da classificação. Por fim, o uso do classificador Random Forest com imagens Landsat-8 se mostrou eficaz na identificação da expansão do garimpo na TI Kayapó.
Downloads
References
Adepoju, K. A., & Adelabu, S. A., 2020. Improving accuracy of Landsat-8 OLI classification using image composite and multisource data with Google Earth Engine. Remote Sensing Letters 11(2), 107–116.
Agência Nacional de Mineração - ANM., 2024. Sistema de informações geográficas da mineração - SIGMINE. Disponível: https://geo.anm.gov.br/portal/apps/webappviewer/index.html?id=6a8f5ccc4b6a4c2bba79759aa952d908. Acesso: 12 set. 2024.
Amaral, A. D. S., & Lopez, C. L., 2023. O triste sonho do Eldorado contemporâneo: o impacto do garimpo ilegal na Terra Indígena Kayapó – PA. Revista Mutirõ. Folhetim de Geografias Agrárias do Sul 4(2), 17–39. https://doi.org/10.51359/2675-3472.2023.258846.
Araújo, B., & Campos, F. S. S., 2022. Populismo Autoritário e Meio Ambiente no Brasil. Media & Jornalismo 22(40), 141–159. https://doi.org/10.14195/2183-5462_40_7.
Balaniuk, R., Isupova, O., & Reece, S., 2020. Mining and Tailings Dam Detection in Satellite Imagery Using Deep Learning. Sensors 20(23), 6936. https://doi.org/10.3390/S20236936.
Balieiro, P. C. P., Garcia, E., Santos, L. B., & Mallmann, G. M., 2015. Uso de imagens de alta resolução espacial na detecção de áreas de mineração na Amazônia brasileira. Revista Brasileira de Geografia Física 6397–6404.
Brasil Escola. Garimpo no Brasil. Disponível: https://brasilescola.uol.com.br/geografia/garimpo-brasil.htm. Acesso: 12 set. 2024.
Breiman, L., 2001. Random forests. Machine Learning 45(1), 5–32. https://doi.org/10.1023/A:1010933404324.
Caldas, R. J. C., Nogueira, L. M. V., Rodrigues, I. L. A., Andrade, E. G. R. de, Costa, C. M. L., & Trindade, L. de N. M., 2023. Incidência de malária entre indígenas associada à presença de garimpos. Revista Gaúcha de Enfermagem 44. https://doi.org/10.1590/1983-1447.2023.20220098.
Chai, T., & Draxler, R. R., 2014. Root mean square error (RMSE) or mean absolute error (MAE)? Geoscientific Model Development 7(3), 1247–1250. https://doi.org/10.5194/GMD-7-1247-2014.
Chen, W., Li, X., He, H., & Wang, L., 2017. A Review of Fine-Scale Land Use and Land Cover Classification in Open-Pit Mining Areas by Remote Sensing Techniques. Remote Sensing 10(1), 15. https://doi.org/10.3390/RS10010015.
Congalton, R. G., & Green, K., 2008. Assessing the Accuracy of Remotely Sensed Data: Principles and Practices (2a ed.). CRC Press. https://doi.org/10.1201/9781420055139.
Doblas, J., Reis, M. S., Belluzzo, A. P., Quadros, C. B., Moraes, D. R. V., Almeida, C. A., et al., 2022. DETER-R: An Operational Near-Real Time Tropical Forest Disturbance Warning System Based on Sentinel-1 Time Series Analysis. Remote Sensing 14(15), 3658. https://doi.org/10.3390/RS14153658.
EMBRAPA. Empresa Brasileira de Pesquisa Agropecuária, 2021. Latossolos Amarelos - Portal Embrapa. Disponível: https://www.embrapa.br/agencia-de-informacao-tecnologica/tematicas/solos-tropicais/sibcs/chave-do-sibcs/latossolos/latossolos-amarelos. Acesso: 12 set. 2024.
Fassoni-Andrade, A. C., & Paiva, R. C. D. de., 2019. Mapping spatial-temporal sediment dynamics of river-floodplains in the Amazon. Remote Sensing of Environment 221, 94–107. https://doi.org/10.1016/J.RSE.2018.10.038.
Fernandes, R. M. S., 2022. A política mineral do governo Bolsonaro para a Amazônia Legal: Um balanço a partir dos processos minerários ativos. AMBIENTES: Revista de Geografia e Ecologia Política 4(2), 149–172. https://doi.org/10.48075/AMB.V4I2.29781.
Gardner, J. R., Yang, X., Topp, S. N., Ross, M. R. V., Altenau, E. H., & Pavelsky, T. M., 2021. The Color of Rivers. Geophysical Research Letters 48(1), e2020GL088946. https://doi.org/10.1029/2020GL088946.
Giang, T. L., Dang, K. B., Le, Q. T., Nguyen, V. G., Tong, S. S., & Pham, V. M., 2020. U-net convolutional networks for mining land cover classification based on high-resolution UAV imagery. IEEE Access 8, 186257–186273. https://doi.org/10.1109/ACCESS.2020.3030112.
Hurskainen, P., Adhikari, H., Siljander, M., Pellikka, P. K. E., & Hemp, A., 2019. Auxiliary datasets improve accuracy of object-based land use/land cover classification in heterogeneous savanna landscapes. Remote Sensing of Environment 233, 111354. https://doi.org/10.1016/J.RSE.2019.111354.
Kwak, G. H., & Park, N. W., 2019. Impact of Texture Information on Crop Classification with Machine Learning and UAV Images. Applied Sciences 9(4), 643. https://doi.org/10.3390/APP9040643.
Marinho, R. R., & Ribeiro, D. F., 2023. Impactos do garimpo de ouro na bacia do Rio Amanã (AM-PA). Revista Verde Grande: Geografia e Interdisciplinaridade 5(02), 349–369. https://doi.org/10.46551/RVG2675239520232349369.
Maxwell, A. E., Strager, M. P., Warner, T. A., et al., 2019. Large-Area, High Spatial Resolution Land Cover Mapping Using Random Forests, GEOBIA, and NAIP Orthophotography. Remote Sensing 11(12), 1409. https://doi.org/10.3390/RS11121409.
Menton, M., Milanez, F., Souza, J. M. de A., & Cruz, F. S. M., 2021. The COVID-19 pandemic intensified resource conflicts and indigenous resistance in Brazil. World Development 138, 105222. https://doi.org/10.1016/J.WORLDDEV.2020.105222.
Räsänen, A., & Virtanen, T., 2019. Data and resolution requirements in mapping vegetation in spatially heterogeneous landscapes. Remote Sensing of Environment 230, 111207. https://doi.org/10.1016/J.RSE.2019.05.026.
Rorato, A. C., Escada, M. I. S., Camara, G., et al., 2022. Environmental vulnerability assessment of Brazilian Amazon Indigenous Lands. Environmental Science & Policy 129, 19–36. https://doi.org/10.1016/J.ENVSCI.2021.12.005.
Santos, S. Dos, Pereira Pierangeli, M. A., et al., 2016. Teores de As, Cd e Pb em solos e sedimentos de áreas de garimpo de ouro. Revista Brasileira de Geografia Física 9(6), 1805–1814. https://doi.org/10.26848/RBGF.V9.6.P1805-1814.
Silva Junior, C. H. L., et al., 2020. The Brazilian Amazon deforestation rate in 2020 is the greatest of the decade. Nature Ecology & Evolution 5(2), 144–145. https://doi.org/10.1038/s41559-020-01368-x.
Siqueira-Gay, J., Soares-Filho, B., et al., 2020. Proposed Legislation to Mine Brazil’s Indigenous Lands Will Threaten Amazon Forests. One Earth 3(3), 356–362. https://doi.org/10.1016/J.ONEEAR.2020.08.008.
Wanderley, L. J., Gonçalves, R. J. de A. F., & Milanez, B., 2020. O interesse é no minério: o neoextrativismo ultraliberal marginal. Revista da ANPEGE 16(29), 555–599. https://doi.org/10.5418/RA2020.V16I29.12457.
Wang, B., Li, P., & Zhu, X., 2023. Quantification of Vegetation Phenological Disturbance Characteristics in Open-Pit Coal Mines. Remote Sensing 15(1), 258. https://doi.org/10.3390/RS15010258.
Yang, L., Driscol, J., Sarigai, S., Wu, Q., Chen, H., & Lippitt, C. D., 2022. Google Earth Engine and Artificial Intelligence (AI): A Comprehensive Review. Remote Sensing 14(14), 3253. https://doi.org/10.3390/RS14143253.
Zhou, L., Luo, T., Du, M., Chen, Q., Liu, Y., Zhu, Y., He, C., Wang, S., & Yang, K., 2021. Machine Learning Comparison and Parameter Setting Methods for the Detection of Dump Sites for Construction and Demolition Waste Using the Google Earth Engine. Remote Sensing 13(4), 787. https://doi.org/10.3390/RS13040787.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Matheus Dias de Aviz, Leonardo Corrêa Cordeiro, Mayara Cobacho Ortega Caldeira
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with Revista Brasileira de Geografia Física agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under the Creative Commons Attribution 4.0 International (CC BY 4.0) license that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted to make their work available online before or during the editorial process, on academic social networks, digital repositories, or preprint servers. After publication in Revista Brasileira de Geografia Física, authors are expected to update the preprint or postprint versions on the platforms where they were originally made available, providing a link to the final published version and any other relevant information, with proper recognition of authorship and the initial publication in this journal.
You are free to:
Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
Adapt — remix, transform, and build upon the material for any purpose, even commercially.
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution — You must give appropriate credit , provide a link to the license, and indicate if changes were made . You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
