From 1 - 10 / 11
  • Categories  

    Mangroves are highly productive ecosystems that provide important ecosystem services, are strategic allies in carbon capture and storage, conserve different plant and wildlife species, are producers of aquatic species such as crabs and shrimp, and local communities have developed strong economic, cultural and identity ties. Despite their great ecological, economic, and social importance, mangroves are threatened by natural and anthropogenic factors, hence the importance of their constant monitoring. Remote sensing technology has demonstrated its ability to map changes in mangroves and technological advances allow faster application of mapping methodologies, optimizing costs and time. To facilitate the sustainable management of mangroves, an open tool based on remote sensing data and machine learning was developed on the Google Earth Engine platform (MANGLEE). MANGLEE was tested in the mangroves of Guayas, Ecuador. Mangrove cover maps were obtained for the years 2018, 2020 and 2022 as well as the mangrove change maps for the two periods 2018-2020 and 2020-2022. This publication is possible by the support of the people of the United States through the United States Agency for International Development (USAID). The content of this publication is the responsibility of its authors and does not necessarily reflect the views of USAID or the Government of the United States of America.

  • Amazonia holds the largest continuous area of tropical forests with intense land use change dynamics inducing water, carbon, and energy feedbacks with regional and global impacts. Much of our knowledge of land use change in Amazonia comes from studies of the Brazilian Amazon, which accounts for two thirds of the region. Amazonia outside of Brazil has received less attention because of the difficulty of acquiring consistent data across countries. We present here an agricultural statistics database of the entire Amazonia region, with a harmonized description of crops and pastures in geospatial format, based on administrative boundary data at the municipality level. The spatial coverage includes countries within Amazonia and spans censuses and surveys from 1950 to 2012. Harmonized crop and pasture types are explored by grouping annual and perennial cropping systems, C3 and C4 photosynthetic pathways, planted and natural pastures, and main crops. Our analysis examined the spatial pattern of ratios between classes of the groups and their correlation with the agricultural extent of crops and pastures within administrative units of the Amazon, by country, and census/survey dates. Significant correlations were found between all ratios and the fraction of agricultural lands of each administrative unit, with the exception of planted to natural pastures ratio and pasture lands extent. Brazil and Peru in most cases have significant correlations for all ratios analyzed even for specific census and survey dates. Results suggested improvements, and potential applications of the database for carbon, water, climate, and land use change studies are discussed. The database presented here provides an Amazon-wide improved data set on agricultural dynamics with expanded temporal and spatial coverage.

  • Project Foresight was launched, in early 2019, as a continuous effort to develop machine-learning based deforestation and forest fire risk assessment for tropical forests, using increasing higher resolution satellite data and official country data on anthropogenic activity. Version 1.0 included maps of the Peruvian and Colombian Amazon using 18 years of official deforestation data and the open source release of Maxent, as the machine-learning algorithm. Newer versions have been developed using mutli-model ensembles in R and Google Earth Engine.

  • Brazil is home to the largest tracts of tropical vegetation in the world, harbouring high levels of biodiversity and carbon. Several biomass maps have been produced for Brazil, using different approaches and methods, and for different purposes. These maps have been used to estimate historic, recent, and future carbon emissions from land use change (LUC). It can be difficult to determine which map to use for what purpose. The implications of using an unsuitable map can be significant, since the maps have large differences, both in terms of total carbon storage and its spatial distribution. This paper presents comparisons of Brazil's new ‘official’ carbon map; that is, the map used in the third national communication to the UNFCCC in 2016, with the former official map, and four carbon maps from the scientific literature. General strengths and weaknesses of the different maps are identified, including their suitability for different types of studies. No carbon map was found suitable for studies concerned with existing land use/cover (LULC) and LUC outside of existing forests, partly because they do not represent the current LULC sufficiently well, and partly because they generally overestimate carbon values for agricultural land. A new map of aboveground carbon is presented, which was created based on data from existing maps and an up‐to‐date LULC map. This new map reflects current LULC, has high accuracy and resolution (50 m), and a national coverage. It can be a useful alternative for scientific studies and policy initiatives concerned with existing LULC and LUC outside of existing forests, especially at local scales when high resolution is necessary, and/or outside the Amazon biome. We identify five ongoing climate policy initiatives in Brazil that can benefit from using this map.

  • This dataset was produced using Landsat 8 Operational Land Imager and Landsat 7 Enhanced Thematic Mapper Plus surface reflectance data spanning 2013–2018 and Spectral Mixture Analysis for the identification of patterns of forest loss for each year. High-resolution Planet Dove (3m) and RapidEye (5m) imagery were used to validate the forest loss map. Overall Accuracy obtained for the forest loss map was 96%. Publication: https://doi.org/10.1088/1748-9326/ab57c3 Google Earth Engine code: https://code.earthengine.google.com/024b42f8eb3ab0c5fa8e0ad8fba86f36 For more information on SERVIR, visit http://www.servirglobal.net

  • Dentre as diversas barreiras existentes para a implementação eficiente do Código Florestal no país está a falta de informações confiáveis sobre a localização e a extensão dos déficits ambientais, Idificultando o desenvolvimento de políticas públicas e privadas que possam dar suporte ao processo de regularização ambiental. Utilizando os dados recém-liberados pelo SFB, o projeto Atlas – A Geografia da Agropecuária Brasileira gerou pela primeira vez uma base fundiária nacional integrada, que possibilitou a realização de cálculos mais precisos sobre os déficits de APPs e RLs no nível de imóvel rural. Acreditamos que esses novos números podem servir de embasamento para o desenvolvimento dos PRAs estaduais, assim como de outras ações e políticas que interagem e sustentam a implementação da Lei 12.651/2012 no país.

  • [FROM: http://iridl.ldeo.columbia.edu/maproom/Fire/Regional/Amazonia/SST_Fire_Forecast.html] These graphs include July-September fire season anomaly hindcasts and forecasts in the Western Amazon. The incidence is on a standardized scale and is based on the north tropical Atlantic (NTA) sea surface temperature (SST) seasonal forecast issued in April, May and June. Positive values indicate an expected active fire season and negative values stand for a mild fire season. Lead 1 stands for the first trimester SST forecast and Lead-2 for the the second trimester SST forecast. For example, March Lead-1 forecast uses April-June SST forecast to calculate the NTA index and predict the following JAS fire season. March Lead-2 uses May-July SST forecast to calculate the NTA and predict JAS fire season and so on. As we advance in the seasons, the more accurate the forecast is expected to be. Use the drop-down menus at the top of the page to select the map field (Forecast or Observed) and the forecast issue month to display.

  • Categories  

    The Sustainable Wetlands Adaptation and Mitigation Program (SWAMP - https://www2.cifor.org/swamp) provides this global data set categorizing 10 types of wetlands. The Amazonian Intterfluvial region in Brazil contains the largest wetland area in the world. For a full documentation and downloading see: https://www2.cifor.org/global-wetlands/

  • Categories  

    Avisos de área de degradação e desmatamento à partir de Agosto de 2016. O mapeamento utiliza imagens do satélite Landsat ou similares, para registrar e quantificar as áreas de avisos produzidas no projeto DETER. CLASSES DE DESMATAMENTO > Desmatamento: é a remoção total da cobertura florestal, independentemente do uso destinado para a área desmatada. O processo do desmatamento pode se dar por corte raso, quando a cobertura florestal é abruptamente removida em uma única intervenção, ou pode ser o resultado de eventos de degradação recursivos que levam ao colapso completo da estrutura florestal da vegetação. > Desmatamento com vegetação: são áreas em que há evidência de desmatamento, mas a área desmatada se encontra com sinais de uma cobertura vegetal. São casos em que há um lapso de tempo entre a ocorrência do corte raso e a sua detecção, ocasionado pela cobertura de nuvens entre um evento e outro, ou o resultado final da degradação recursiva. > Mineração: desmatamento causado por atividade de extração mineral. Predomina nesta classe atividades de garimpo artesanal. CLASSE DE DEGRADAÇÃO > Cicatriz de incêndio florestal: é caracterizada pela presença de áreas atingidas por fogo, podendo ou não haver vegetação arbórea. > Degradação: é caracterizado pela perda de dossel florestal e consequente exposição do solo, onde há vegetação geralmente indivíduos arbóreos em estágios iniciais e intermediário inicial de sucessão. CLASSES DE EXPLORAÇÃO MADEIREIRA > Corte seletivo tipo 1: é considerado uma exploração convencional, onde os indivíduos de interesse comercial são removidos sem planejamento prévio, denotado pela forma desordenada de estradas e ramais no interior da floresta e com a presença de pátios de estocagem com dimensões irregulares e dispostos de forma aleatória. > Corte seletivo tipo 2: é considerado uma exploração baseada em um plano de manejo, em que percebe-se o planejamento prévio evidenciado pelo padrão regular entre as estradas e pátios de estocagem no interior da floresta. Nome das colunas e significado. --------------------------------------------------------------------------------------------------------------------------- gid: código de identificação seguido de digito verificador que indica: ("_curr" tabela corrente e "_hist" tabela de histórico) classname: Nome das classes atribuídas aos avisos, podendo ser: para degradação: ('CICATRIZ_DE_QUEIMADA', 'CS_DESORDENADO', 'CS_GEOMETRICO', 'DEGRADACAO') e para desmatamento ('DESMATAMENTO_CR', 'DESMATAMENTO_VEG', 'MINERACAO'); quadrant: Atualmente fora de uso para as imagens CBERS. No passado foi utilizada como parte da informação das imagens AWFI; path_row: Path e Row (orbita ponto) das imagens usadas na identificação do aviso; view_date: Data das imagens usadas na identificação do aviso; sensor: Nome do sensor embarcado no satélite, usado na obtenção da imagem; satellite: Nome do satélite que obteve a imagem; areatotkm: Área calculada antes da fragmentação por intersecção. Não deve ser somada. Usada apenas para finalidade de filtro pela área original do aviso (disponível apenas para usuários cadastrados); areauckm: Área do aviso ou porção dele que intercepta uma unidade de conservação; uc: Nome da unidade de conservação interceptada pelo aviso; areamunkm: Área do aviso ou porção dele que intercepta um município. Use esta coluna em operações de soma de área; municipality: Nome do município interceptado pelo aviso ou porção dele; geocod: Código do município proveniente do dado do IBGE; uf: Nome da Unidade da Federação na qual o aviso ou porção dele está localizado; publish_month: Indicador temporal mensal. Usada apenas para fins de configuração da dimensão temporal no GeoServer; Nota sobre o SHAPEFILE: Ao exportar para shapefile os nomes das colunas sempre são reduzidos para dez (10) caracteres. Exemplo: a coluna "municipality" será renomeada para "municipali".

  • Categories  

    Área desmatada à partir de 2008 discretizadas por ano e recortadas pelos limites do bioma Amazônia(*). O mapeamento utiliza imagens do satélite Landsat ou similares, para registrar e quantificar as áreas desmatadas maiores que 6,25 hectares. O PRODES considera como desmatamento a supressão da vegetação nativa, independentemente da futura utilização destas áreas. Os limites dos biomas brasileiros foram alterados conforme publicação do IBGE de 30/10/2019. Este conjunto de dados foi ajustado para o novo recorte. https://agenciadenoticias.ibge.gov.br/agencia-sala-de-imprensa/2013-agencia-de-noticias/releases/25798-ibge-lanca-mapa-inedito-de-biomas-e-sistema-costeiro-marinho (*) Consulte os metadados de "Limites do Bioma Amazônia" para informações sobre os limites do bioma que estamos usando nesta operação: http://terrabrasilis.dpi.inpe.br/geonetwork/srv/eng/catalog.search#/metadata/481e439e-b0fa-4cb0-890b-11941264db69 Descrição dos atributos do dado composto por: nome do atributo, tipo do dado e descrição --------------------------------------------------------------------------------------------------------------------------- uuid - uuid - identificador único universal de cada feição uid - número inteiro - identificador para rastreabilidade da feição na origem/produção do dado state - texto - estado/unidade da federação path_row - texto - código da cena formado por linha/coluna da grade de passagem do satélite Landsat main_class - texto - nome da classe principal atribuída à feição class_name - texto - nome da classe específica atribuída à feição def_cloud - número - Ano que indica desde quando esta área está coberta por nuvens. Fazendo a diferença do ano corrente onde se detectou o desmatamento e def_cloud, temos o número de anos coberto por nuvens. julian_day - número - dia juliano image_date - texto - data da cena usada para obter a feição year - número - ano do desmatamento, usado para facilitar as consultas ao banco de dados area_km - número - área calculada para a feição em km² scene_id - número - identificador da cena no banco de dados, usado para consultas publish_year - data - usado para permitir a publicação do dado no GeoServer com dimensão temporal source - texto - origem do polígono (amazonia, cerrado, caatinga, mata_atlantica, pampa, pantanal), caso o polígono tenha sido incorporado de outro projeto, por exemplo, devido à alteração do mapa de biomas ou ainda às zonas da amazônia legal no cerrado e pantanal satellite - texto - nome do satélite. Em geral será o landsat mas em alguns casos, outro satélites podem ser utilizados sensor - texto - nome do sensor que obteve a imagem geom - feição composta por um ou mais polígonos - geometria obtida por interpretação visual de imagem de satélite A lista de atributos é padronizada com o dado de desmatamento, classe principal do PRODES. Para as demais classe o preenchimento ocorre apenas quando aplicável.