Estimação de desmatamento baseada em Cadeias de Markov dependentes do espaço-tempo

Abstract

As instituições financeiras vêm incorporando parâmetros de controle e monitoramento de risco socioambiental nas suas políticas, motivadas por cobranças de posturas mais efetivas para mitigação de tais riscos por parte do Banco Central do Brasil, o que representou um motivador inicial deste trabalho. Por se tratar de um assunto recentemente regulamentado, o mercado financeiro tem buscado ferramentas que possam auxiliar na tomada de decisão, possibilitando o uso do sensoriamento remoto e tornando-o mais relevante, principalmente em políticas de concessão de crédito. Esse trabalho visa contribuir para a previsão de desmatamento (área desmatada) como insumo para que as instituições financeiras possam incorporá-la às suas políticas. A metodologia sugerida envolveu: o entendimento das legislações ambientais brasileiras e pactos internacionais; a definição de risco socioambiental como sendo o crime de desmatamento; a exploração de algumas fontes de dados e a inclusão de parâmetros espaço-temporais aos processos de Cadeias de Markov clássicos. A inclusão de parâmetros espaciais e temporais à metodologia clássica buscou diminuir o efeito de duas limitações da técnica quando utilizada para processos de modelagem de fenômenos naturais dinâmicos: a estacionariedade e a dificuldade de distribuição das estimativas localmente. Para minimizar o efeito da estacionaridade a proposta utilizou matrizes de transição (matriz de probabilidade de mudanças) móveis, isto é, atualizadas com o período mais recente possível. Também foram avaliadas diferentes memórias na matriz de transição, que consiste em considerar períodos mais ou menos longos para computar as mundanças. Já para distribuir localmente as estimativas, a região de estudo foi segmentada em sub-regiões, visando incorporar a diversidade contida nos processos naturais das mesmas ao processo de estimação. À partir das estimativas locais é possível obter a estimativa de desmatamento global da região através da soma do desmatamento estimado das sub-regiões. Uma condição necessária para testar a metodologia proposta é que a região de estudo necessariamente precisa ter desmatamento. Dessa forma, selecionou-se a área de influência da BR-163, que compreende uma porção de grande desmatamento da Amazônia Legal, que abrange os estados do Pará, Amazonas e Mato Grosso e como sub-regiões foram utilizados os 74 municípios que a compõe. A ferramenta escolhida para aplicação foi a plataforma Google Earth Engine por se tratar de uma solução inclusiva, permitindo que qualquer pesquisador usufrua dos recursos computacionais do processamento em nuvem e armazenamento de dados. Os resultados indicam que utilizar probabilidades de transição móveis sem memória produz estimativas melhores do que utilizá-las com memórias mais longas e que a segmentação em sub-regiões diminuiu o erro de estimação espacialmente.

Financial institutions have been incorporating social and environmental risk parameters in their policies, motivated by a most effective requirement for mitigation of these risks by the Central Bank of Brazil (BACEN), which consisted as an initial motivator of this work. Because this is a recently regulated issue, the financial market has been seeking for solutions that can support their decision making, enabling the use of remote sensing and making it more relevant, especially in credit granting policies. The proposed solution aims to contribute to the forecast of deforestation (deforested area) as an input for financial institutions to incorporate it into their policies. The suggested methodology involved: the understanding of Brazilian environmental laws and international pacts; the definition of social and environmental risk as the crime of deforestation; the exploration of some data sources and the inclusion of spatiotemporal parameters to classical Markov Chain processes. The inclusion of spatial and temporal parameters in the classical methodology quest to reduce the effect of two limitations of the technique when used for modeling dynamic natural phenomena: stationarity and the difficulty of distributing estimates locally. To minimize stationarity effect, the proposal was to use moving transition matrices (probability matrix of changes), ie updated with the latest possible period. Different sizes of memories were also evaluated in the transition matrix, which consists of considering diferent sized periods to compute the changes. To distribute the estimates locally, the study region was segmented into subregions, aiming to incorporate the diversity contained in their natural processes into the estimation process. From local estimates it is possible to estimate the global deforestation of the region by summing the estimated deforestation of each subregion. A necessary condition for testing the proposed methodology is that the study region necessarily needs to have deforestation. Thus, we selected the area of influence of the BR-163 highway, which comprises a large portion of deforestation in the Legal Amazon, located between the states of Pará, Amazonas and Mato Grosso, and as sub-regions were used the 74 municipalities that compose the entire region. The tool chosen for the application was the Google Earth Engine platform because it is an inclusive solution, allowing any researcher to take advantage of the computational resources of cloud processing and data storage. The results indicate that using moving transition probabilities with small memories produces better estimates than using them with longer memories and that segmentation into subregions decreased spatial estimation error.