Resumo Os ecossistemas de Canga, habitats com elevadas concentrações de ferro, são um desafio para conservação e governança ambiental no Brasil. Eles sustentam uma alta biodiversidade e endemismo, e sofreram intensas perdas e degradações de áreas naturais devido à mineração de ferro em larga escala. O Vale do Rio Peixe Bravo, localizado no Cerrado brasileiro, é uma das últimas regiões com ecossistemas de canga que ainda não sofreu impactos irreversíveis da mineração. Mas ainda há ausência de dados sobre a cobertura vegetal, localização, distribuição geográfica e a área de ocorrência desse ecossistema. Portanto, a ausência de informações em escala adequada dificulta o planejamento em conservação e as estratégias para prevenir, mitigar ou compensar os impactos nos ecossistemas de canga. Neste estudo, nós fornecemos o primeiro mapa de ecossistemas de canga no Brasil elaborado a partir de deep learning segmentação U-Net e imagens de satélite Sentinel-2. Além disso, nós estimamos o grau de ameaça direta dos ecossistemas devido a sobreposição espacial das manchas de cangas preditas e a localização dos títulos de concessão minerária para exploração do minério de ferro. O algoritmo de aprendizado profundo identificou 762 manchas de canga (acurácia acima de 98,5%) em uma área de 30.000 ha no Vale do Rio Peixe Bravo, demonstrando o alto poder preditivo do método de mapeamento. Nós estimamos que há um alto grau de ameaça direta aos ecossistemas de canga, uma vez que 99,6% das manchas de cangas preditas estão incluídas em áreas de concessão de mineração. Nós também destacamos que o conhecimento adquirido sobre a distribuição das cangas por meio da aplicação de um método eficaz de inteligência artificial e do uso de imagens de satélite de código aberto é especialmente importante para apoiar estratégias de conservação e políticas públicas ambientais. Canga endemismo Bravo brasileiro vegetal ecossistema Portanto prevenir estudo UNet U Net Sentinel2. Sentinel2 Sentinel 2. 2 Sentinel-2 disso 76 acurácia 98,5% 985 98 5 30000 30 000 30.00 mapeamento 996 99 6 99,6 ambientais Sentinel- 7 98,5 9 3000 3 00 30.0 99, 98, 300 0 30.
Abstract Canga ecosystems are iron-rich habitats and pose a challenge for conservation and environmental governance in Brazil. They support high levels of biodiversity and endemism and, at the same time, have suffered intense losses and degradation due to large-scale iron ore mining. The Peixe Bravo River Valley in the Brazilian savanna is one of the last natural canga areas that has yet to face the irreversible impacts of mining. However, there are vast gaps in data on the vegetation cover, location, spatial distribution, and area of occurrence of this ecosystem. Therefore, more information is needed on the appropriate scale, without which it is difficult to establish conservation planning and strategies to prevent, mitigate or compensate for impacts on canga ecosystems. In this study, we provide the first map of canga ecosystems in Brazil using the U-Net deep learning model and Sentinel-2 images. In addition, we estimate the degree of direct threat faced by ecosystems due to the spatial overlap of the mapped cangas and the location of mining concession areas for iron ore exploitation. The deep learning algorithm identified and segmented 762 canga patches (overall accuracy of 98.5%) in an area of 30,000 ha in the Peixe Bravo River Valley, demonstrating the high predictive power of the mapping approach. We conclude that the direct threat to canga ecosystems is high since 99.6% of the observed canga patches are included in mining concession areas. We also highlight that the knowledge acquired about the distribution of cangas through the application of an effective method of artificial intelligence and the use of open-source satellite images is especially important for supporting conservation strategies and environmental public policies. ironrich rich time largescale large scale However cover ecosystem Therefore prevent study UNet U Net Sentinel2 Sentinel 2 Sentinel- addition exploitation 76 overall 98.5% 985 98 5 30000 30 000 30,00 approach 996 99 6 99.6 opensource open source policies 7 98.5 9 3000 3 00 30,0 99. 98. 300 0 30,
