Variação espaço-temporal do desmatamento na Caatinga piauiense sob abordagem de painel e aprendizado de máquina

Autores

  • Eduardo Ganassoli Graduate Program in Forest and Environmental Sciences, Universidade Federal do Tocantins, Gurupi, TO, Brazil https://orcid.org/0000-0002-9282-2698
  • Aldemir Lucena Junior Graduate Program in Forest and Environmental Sciences, Universidade Federal do Tocantins, Gurupi, TO, Brazil https://orcid.org/0000-0001-9304-3875
  • Igor Eloi Silva Machado Graduate Program in Plant Production, Universidade Federal do Tocantins, Gurupi, TO, Brazil https://orcid.org/0000-0003-0204-1984
  • Jader Nunes Cachoeira Center for Environmental Monitoring and Fire Management, Universidade Federal do Tocantins, Gurupi, TO, Brazil https://orcid.org/0000-0001-9150-5431
  • Olavo da Costa Leite Secretaria da Educação do Estado do Tocantins, Gurupi, TO, Brazil https://orcid.org/0000-0002-8959-0064
  • Marcos Giongo Graduate Program in Forest and Environmental Sciences, Universidade Federal do Tocantins, Gurupi, TO, Brazil https://orcid.org/0000-0003-1613-6167

DOI:

https://doi.org/10.1590/1983-21252026v3915548rc

Palavras-chave:

Autocorrelação espacial. Efeitos fixos. MapBiomas. PRODES. Random Forest.

Resumo

A Caatinga piauiense apresentou aumento expressivo do desmatamento nos últimos anos, mas seus fatores associados permanecem pouco investigados sob abordagem espaço-temporal na escala municipal. Este estudo identificou os fatores associados à variação espaço-temporal do desmatamento no bioma em 140 municípios do Piauí entre 2017 e 2024, integrando regressão em painel com efeitos fixos (EF), um modelo autorregressivo espacial (SAR) e Random Forest (RF), com dados de desmatamento (PRODES/INPE), uso do solo (MapBiomas), indicadores socioeconômicos (IBGE), crédito rural (SICOR/BACEN) e áreas protegidas (CNUC/MMA). A série temporal revelou aumento de 105,3% na área média anual desmatada a partir de 2021,  sem significância estatística a 5% para tendência (Mann-Kendall) ou ponto de mudança (Pettitt). O índice de Moran confirmou dependência espacial significativa, intensificada após 2021. O modelo de EF identificou os mosaicos de uso agrícola do solo como o principal correlato da variação temporal intramunicipal (β = 1,032; p < 0,001), resultado potencialmente confundido pela sobreposição com a variável resposta, enquanto o SAR revelou dependência espacial significativa (Rho = 0,294; p < 0,001) e associações de pressão produtiva e infraestrutura não capturadas pelo EF. O Random Forest, sob validação cruzada agrupada por município, explicou 50,98% da variância do desmatamento, identificando pastagem, tamanho do rebanho bovino, distância à hidrografia e cobertura de áreas protegidas como preditores estruturais adicionais. Os resultados evidenciam complementaridade metodológica entre as três abordagens e apontam a conversão do uso do solo como principal correlato do desmatamento no bioma, subsidiando a priorização territorial de ações de comando e controle ambiental.

Referências

ANEEL - Agência Nacional de Energia Elétrica. Sistema de Informações Georreferenciadas do Setor Elétrico - SIGEL. Available at: <https://sigel.aneel.gov.br/>. Access on: Feb. 18, 2026.

ANSELIN, L. Local indicators of spatial association - LISA. Geographical Analysis, 27: 93-115, 1995.

BIVAND, R.; PIRAS, G. spatialreg: spatial regression analysis. R package version 1.2-1, 2021. Available at: <https://CRAN.R-project.org/package=spatialreg>. Access on: Feb. 1, 2026.

BRASIL. Ministério do Meio Ambiente e Mudança do Clima. Plano de Ação para Prevenção e Controle do Desmatamento e das Queimadas na Caatinga (PPCaatinga). Brasília, DF: MMA, 2024. Available at: <https://dados.mma.gov.br/dataset/plano-de-acao-para-a-prevencao-e-controle-do-desmatamento-e-das-queimadas-na-caatinga-2024-2027>. Access on: Mar. 1, 2026.

CABALLERO, C. B. et al. Transformation of Brazil's biomes: the dynamics and fate of agriculture and pasture expansion into native vegetation. Science of the Total Environment, 896: 166323, 2023.

CROISSANT, Y.; MILLO, G. Panel data econometrics in R: the plm package. Journal of Statistical Software, 27: 1-43, 2008.

DIAS, F. et al. Predicting the pulse of the Amazon: machine learning insights into deforestation dynamics. Journal of Environmental Management, 362: 121359, 2024.

ESPINDOLA, G. M. et al. Cropland expansion as a driver of land-use change: the case of Cerrado-Caatinga transition zone in Brazil. Environment, Development and Sustainability, 23: 17146-17160, 2021.

FARIA, W. R. et al. The relationship between rural credit policy and deforestation: evidence from Brazil. Environmental Economics and Policy Studies, 27: 231-263, 2025.

FRANÇA ROCHA, W. J. S. et al. Towards uncovering three decades of LULC in the Brazilian drylands: Caatinga biome dynamics (1985–2019). Land, 13: 1250, 2024.

GILBERT, R. O. Statistical methods for environmental pollution monitoring. New York: Van Nostrand Reinhold, 1987. 320 p.

GONÇALVES-SOUZA, D. et al. The role of protected areas in maintaining natural vegetation in Brazil. Science Advances, 7: eabh2932, 2021.

IBGE - Instituto Brasileiro de Geografia e Estatística. Downloads: geociências. Available at: <https://www.ibge.gov.br/geociencias/downloads-geociencias.html>. Access on: Feb. 1, 2026.

KENDALL, M. G. Rank correlation methods. 4. ed. London: Charles Griffin, 1975. 202 p.

KLINGLER, M. et al. Large-scale green grabbing for wind and solar photovoltaic development in Brazil. Nature Sustainability, 7: 747-757, 2024.

KUSCHNIG, N. et al. Spatial spillover effects from agriculture drive deforestation in Mato Grosso, Brazil. Scientific Reports, 11: 21804, 2021.

LIAW, A.; WIENER, M. Classification and regression by randomForest. R News, 2: 18-22, 2002.

MANN, H. B. Nonparametric tests against trend. Econometrica, 13: 245-259, 1945.

MAPBIOMAS. Módulo de Infraestrutura: Coleção 7. São Paulo: MapBiomas, 2022a. Available at: <https://brasil.mapbiomas.org/downloads/>. Access on: Feb. 1, 2026.

MAPBIOMAS. Relatório Anual do Desmatamento no Brasil: RAD 2021. São Paulo: MapBiomas, 2022b. 126 p. Available at: <https://alerta.mapbiomas.org/wp-content/uploads/sites/17/2024/03/RAD2021_Completo_FINAL_Rev1

.pdf>. Access on: Jul. 18, 2026.

MARCA, L.; ALVIM, A. M. Deforestation in the Brazilian Amazon: an analysis of spatial interactions between economic and demographic factors. Environment, Development and Sustainability, s/v.: 1-31, 2025.

MORAN, P. A. P. Notes on continuous stochastic phenomena. Biometrika, 37: 17-23, 1950.

PETTITT, A. N. A non-parametric approach to the change-point problem. Journal of the Royal Statistical Society: Series C (Applied Statistics), 28: 126-135, 1979.

PLOTON, P. et al. Spatial validation reveals poor predictive performance of large-scale ecological mapping models. Nature Communications, 11: 4540, 2020.

REFATI, D. C. et al. Influence of drought and anthropogenic pressures on land use and land cover change in the Brazilian semiarid region. Journal of South American Earth Sciences, 126: 104362, 2023.

SANTOS, A. M. et al. Deforestation drivers in the Brazilian Amazon: assessing new spatial predictors. Journal of Environmental Management, 294: 113020, 2021.

SEN, P. K. Estimates of the regression coefficient based on Kendall's tau. Journal of the American Statistical Association, 63: 1379-1389, 1968.

TRIGUEIRO, W. R.; NABOUT, J. C.; TESSAROLO, G. Uncovering the spatial variability of recent deforestation drivers in the Brazilian Cerrado. Journal of Environmental Management, 275: 111243, 2020.

TURKOVSKA, O. et al. Land-use impacts of Brazilian wind power expansion. Environmental Research Letters, 16: 024010, 2021.

ZANELLA, L. et al. How well does random forest analysis model deforestation and forest fragmentation in the Brazilian Atlantic forest? Environmental and Ecological Statistics, 24: 529-549, 2017.

Downloads

Publicado

27-10-2026

Edição

Seção

Artigo Científico