Avaliação de modelos de predição de mudanças de uso do solo em três biomas brasileiros

Abstract

Modelos de mudanças de uso do solo são empregados para predizer alterações esperadas para o futuro. Estes modelos se baseiam no entendimento dos padrões de mudanças ocorridas entre os pontos de tempo t 0 e t 1 , seguida de extrapolação para t x . Apesar da popularidade desta abordagem, em muitos trabalhos a comunicação dos resultados é realizada de maneira inapropriada. Esta situação é liderada por dois motivos: I) a identificação dos padrões de mudanças é realizada de maneira automatizada nos programas de modelagem. E II), a avaliação da acurácia dos resultados dos modelos é comumente realizada utilizando métricas potencialmente enganosas. Como consequência destas práticas, o entendimento do funcionamento e da acurácia dos modelos é dificultada, impossibilitando conhecer a capacidade das predições em indicar as mudanças investigadas. T endo em vista este cenário, o objetivo principal deste trabalho é avaliar a capacidade preditiva de modelos de mudanças de uso do solo a partir de métricas rigorosas. Para isso, a dissertação foi dividida em dois artigos, em ambos investigou-se áreas de estudo em três biomas brasileiros. No primeiro artigo, foi avaliado como variáveis espaciais preditivas descreveram a supressão vegetal ocorrida em diferentes períodos de tempo. No segundo artigo, foram comparadas as acurácias dos resultados de modelos baseados em aprendizado de máquina e de linha de base para diferentes períodos de extrapolação. Entre os principais resultados encontrados, pode-se destacar que: I) As variáveis preditivas apresentaram diferentes capacidades em descrever as mudanças. II) Os resultados de modelos baseados em aprendizado de máquina e de linha de base obtiveram acurácias similares. E III), a validade dos padrões de mudanças e a acurácia das predições é deteriorada ao afastar-se do período de treinamento.

Land use change models are employed to predict expected future changes. These models are based on understanding the patterns of changes that occurred between time points t 0 and t 1 , followed by extrapolation to t x . Despite the popu larity of this approach, in many studies, the communication of the results is conducted inappropriately . This situation is driven by two main reasons: I) the identification of change patterns is performed automatically in modeling programs. And II), the accuracy of model results is commonly assessed using potentially misleading metrics. As a consequence of these practices, understanding the functioning and accuracy of models is hindered, making it impossible to know the ability of predictions to indicate the modeled changes. Given this scenario, the main objective of this work is to evaluate the predictive capacity of land use change models using rigorous metrics. T o this end, the dissertation was divided into two articles, both of which investigated study areas in three Brazilian biomes. The first article evaluated how predictive spatial variables described vegetation suppressions that occurred in dif ferent time periods. In the second article, the accuracy of the results from machine learning and baseline models were compared for dif ferent extrapolation periods. Among the main results found, it can be highlighted that: I) The predictive variables had dif ferent capacities to describe changes. II) The results of machine learning and baseline models obtained similar accuracies. And III), the change patterns and the accuracy of predictions deteriorate as the model moves further from the training period.