Spatio-Temporal Forecasting of Deforestation in the Legal Amazon Using LSTM Networks Under an Isolated Regional Scale Approach

• Jéssica de França Lima UFPI
• Martony Demes da Silva UFPI

DOI: https://doi.org/10.5753/eniac.2026.30235

Resumo

A predição do desmatamento na Amazônia Legal por Aprendizado de Máquina enfrenta gargalos devido a severas discrepâncias de escala espacial entre os estados. Este artigo propõe um pipeline de previsão espaço-temporal utilizando uma rede de Memória de Curto e Longo Prazo (Long Short-Term Memory – LSTM) rasa combinada com escalonamento localizado de attributes e validação por holdout temporal estrito. Afastando-se do empilhamento global de dados, nossa abordagem isola as sequências de janelas deslizantes para cada estado, evitando o vazamento de dados (data leakage) e a contaminação espacial cruzada. Os resultados experimentais demonstraram que a redução da complexidade arquitetônica e o isolamento das escalas regionais superaram um subajuste severo, alcançando um Coeficiente de Determinação (R²) de 0,6360 e um Erro Absoluto Médio (Mean Absolute Error – MAE) de 179,14 km². O método mostra-se robusto para a vigilância ambiental automatizada em contextos microrregionais assimétricos.

Referências

Escada, M. I., Monteiro, A. M., and Almeida, C. A. (2023). Forecasting vegetation suppression dynamics: A comparative study between arima and long short-term memory networks. Anais da Academia Brasileira de Ciências, 95(2):e20220144.

Fearnside, P. M. (2005). Deforestation in brazilian amazonia: History, trends, and future prospects. Environmental Conservation, 32(3):205–212.

Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep Learning. MIT Press. Available at [link].

Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8):1735–1780.

Huber, P. J. (1964). Robust estimation of a location parameter. The Annals of Mathematical Statistics, 35(1):73–101.

Hyndman, R. J. and Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts, Melbourne, Australia, 2nd edition. Available at [link].

Instituto Nacional de Pesquisas Espaciais - INPE (2024). Monitoramento do Desmatamento da Floresta Amazônica Brasileira por Satélite – PRODES. Ministério da Ciência, Tecnologia e Inovação, São José dos Campos, SP. Disponível em: [link].

Mello, M., Novo, E. M., and Fasbender, D. (2022). Spatiotemporal modeling of amazon deforestation patterns using deep recurrent networks. Remote Sensing of Environment, 269:112801.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, É. (2011). Scikit-learn: Machine learning in python. Journal of Machine Learning Research, 12:2825–2830.

Ribeiro, B. M., Anderson, L. O., and Aragao, L. E. (2024). Machine learning-based moving windows for deforestation forecasting in amazonian indigenous territories. Land Use Policy, 138:107044.

Sano, E. E., Shimabukuro, Y. E., and Oliveira, A. B. (2023). Deep learning architectures for land use and cover classification in the brazilian legal amazon. Environmental Monitoring and Assessment, 195(2):294.

Souza, C. M., Shimabukuro, Y. E., and Sano, E. E. (2021). Applications of deep learning for tropical forest degradation assessment in the brazilian amazon. Acta Amazonica, 51(4):301–310.