Análise da Evolução Temporal de Garimpo Ilegal Sobre a Terra Indígena Kayapó
DOI:
https://doi.org/10.26848/rbgf.v18.3.p2069-2086Palavras-chave:
Sensoriamento remoto, Desmatamento, Landsat-8, Análise temporalResumo
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
Referências
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
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Matheus Dias de Aviz, Leonardo Corrêa Cordeiro, Mayara Cobacho Ortega Caldeira
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam na Revista Brasileira de Geografia Física concordam com os seguintes termos:
Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0) que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (exemplo: depositar em repositório institucional ou publicar como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
Autores têm permissão para disponibilizar seu trabalho online antes ou durante o processo editorial, em redes sociais acadêmicas, repositórios digitais ou servidores de preprints. Após a publicação na Revista Brasileira de Geografia Física, os autores se comprometem a atualizar as versões preprint ou pós-print do autor, nas plataformas onde foram originalmente disponibilizadas, informando o link para a versão final publicada e outras informações relevantes, com o reconhecimento da autoria e da publicação inicial nesta revista.
Qualquer usuário tem direito de:
Compartilhar — copiar e redistribuir o material em qualquer suporte ou formato para qualquer fim, mesmo que comercial.
Adaptar — remixar, transformar e criar a partir do material para qualquer fim, mesmo que comercial.
O licenciante não pode revogar estes direitos desde que você respeite os termos da licença.
De acordo com os termos seguintes:
Atribuição — Você deve dar o crédito apropriado, prover um link para a licença e indicar se mudanças foram feitas. Você deve fazê-lo em qualquer circunstância razoável, mas de nenhuma maneira que sugira que o licenciante apoia você ou o seu uso.
Sem restrições adicionais — Você não pode aplicar termos jurídicos ou medidas de caráter tecnológico que restrinjam legalmente outros de fazerem algo que a licença permita.
