Por Mikaela Weisse e Rachael Petersen

A Parte 1 dessa série de blog encontra-se disponível aqui.

Na Parte 1 da série de blog sobre a precisão dos dados GLAD de cobertura vegetal, explicamos duas avaliações de precisão diferentes da perda e do ganho de cobertura vegetal mundial produzida pelo Dr. Matt Hansen e colaboradores da Universidade de Maryland do grupo de Análises e Descobertas de Territórios Globais (GLAD), Google, o Serviço Geológico dos EUA (USGS) e a Administração Nacional da Aeronáutica e Espaço (NASA). Hoje, nós vamos nos aprofundar nos fatores que aumentam os erros e como isso influencia no uso dos dados.

O que causa erros nos dados?

Erros são inevitáveis ​​em dados que tentam simplificar o mundo – no caso dos dados globais GLAD de cobertura vegetal, existem as categorias de perda, ganho e nenhuma mudança na cobertura vegetal. Para a maioria das medições, os dados de “perda” do GLAD têm taxas de erro mais baixas do que de conjuntos similares de dados – por exemplo, dados recentes derivados do Landsat para cobertura vegetal e alterações florestais nos anos 90 tinham taxas de erros de 21 e 17%, respectivamente. No entanto, existem algumas áreas dos dados GLAD em que as taxas de erro são de 20%, ou ainda maiores. Maiores taxas de erro podem resultar de uma série de fatores, incluindo:

  • Baixa densidade de copas de árvores como a encontrada no bioma subtropical, o que torna mais difícil de detectar perdas, porque a mudança da cobertura de árvores e o chão sem vegetação é menos perceptível do que em uma floresta densa.
  • Clareiras de pequena escala, como aquelas prevalentes na África Subsaariana, que são mais propensas a não serem percebidas ou serem subestimada pelo conjunto de dados por ter mais bordas em comparação com a sua área. Pixels nas bordas das clareiras são muitas vezes desfocados em imagens de satélite, por isso os dados deixam de detectar muitas “perdas” nessas pequenas manchas.
  • Mudanças graduais, como o ganho de cobertura de árvores, que são mais difíceis de detectar do que mudanças repentinas.

Também é importante lembrar a escala avaliada nesses estudos – ambos avaliaram a precisão dos dados para grandes regiões ou continentes, mas não para áreas locais. Isso significa que, enquanto nós podemos nos sentir confiante de que os dados são amplamente precisos em escalas globais ou regionais, não podemos dizer nada sobre a precisão de locais específicos.

Quanta precisão é necessária? Depende.

Sabemos que os dados GLAD não são perfeitos, e que as taxas de erro variam até mesmo entre regiões e biomas, mas isso ainda não nos diz se os dados são precisos o suficiente para nos dar uma visão sobre como as florestas do mundo estão mudando. A resposta: Depende de onde você está olhando e de como você pretende utilizar os dados.

Ao decidir se é apropriado usar os dados para as suas necessidades, o primeiro passo é entender a exatidão dos dados – parabéns, você já começou com a leitura desta série! O próximo passo é determinar como a precisão e possíveis erros podem impactar a sua aplicação específica. A questão dos dados serem precisos o suficiente será diferente para cada caso de uso, mas aqui estão algumas diretrizes gerais:

  • Investigar tendências e padrões em grandes escalas: As taxas de erro globais são relativamente baixas em comparação com os conjuntos de dados semelhantes, por isso, você pode se sentir confiante usando os dados para analisar tendências e padrões em grandes escalas (por exemplo, global, regional, nacional).
  • Use médias de 3 anos: Devido às incertezas de cada ano, recomendamos a utilização de médias de 3 anos.  Nuvens podem, literalmente, ficar no caminho do que os satélites conseguem “ver”, especialmente nos trópicos úmidos onde as nuvens obscurecem a visão na maior parte do ano. Isso significa que, ocasionalmente, as árvores podem ser derrubadas ou queimadas sob a cobertura de nuvens e isso pode não ser detectado até o ano seguinte. Os usuários dos dados podem suavizar tal incerteza examinando a média ao longo de vários anos.
  • Avaliar locais gerais de perda: Apesar da precisão não ter sido avaliada em escalas locais, sabemos que a maioria das “perdas” não identificadas ocorre nas bordas, e assim, podemos usar os dados com confiança para identificar a localização geral de perda local.
  • Tenha cuidado com as medições locais: No entanto, fazer medições precisas localmente (por exemplo, hectares de perda de cobertura florestal, de carbono emitido por desmatamento) requer mais informações sobre a precisão naquela localização em particular, por exemplo, através do conhecimento do contexto local, imagens de satélite, comparação com outros dados de mudança de floresta etc.
  • Combine a sua confiança com a precisão: Evite fazer afirmações definitivas com base em dados de baixa precisão (ou seja, áreas com baixa densidade de cobertura de copas de árvore, ganho de cobertura de árvores, etc.).

Se você tiver dúvidas sobre o seu caso de uso, você pode acessar a nossa comunidade através do Fórum de Discussão GFW onde outros usuários discutem os pontos fortes e as limitações dos dados.

Os dados GLAD em contexto

Embora possa haver erros, os dados GLAD continuam sendo o melhor conjunto de dados de perda de cobertura vegetal global, com uma metodologia consistente a nível mundial, que permite o acompanhamento de tendências globais, bem como uma resolução suficientemente alta para monitorar e descobrir áreas locais de perda de cobertura vegetal, como nas areias betuminosas do Canadá ou na produção de cacau no Peru. Os dados representam uma melhoria significativa dos dados globais anteriores da mudança florestal: muitos estão baseados em dados de baixa resolução espacial (250 ou 500 metros), enquanto outros (como a Avaliação dos Recursos Florestais da FAO) não são espacialmente explícitos ou atualizados frequentemente. Dados locais muitas vezes possuem taxas de erro mais baixas, uma vez que são calibrados nesse contexto em particular, mas são caros para produzir e raramente estão disponíveis em uma base anual.

Os dados de alteração da cobertura vegetal GLAD não constituem uma representação perfeita da perda ou ganho da cobertura vegetal, e existem alguns aspectos dos dados com altas taxas de erros. No entanto, são os melhores dados disponíveis de alterações de cobertura vegetal em escala global e podem ser acessados gratuitamente no Global Forest Watch. Esperamos que, ao explicar sobre a precisão dos dados e encorajar a ponderação das taxas de erro antes da aplicação, seja possível capacitar nossos usuários para chegar às conclusões apropriadas, que podem desafiar o desmatamento como uma condição de “business-as-usual” em todo o mundo.