Disrupções Analíticas para a Governança da Pesca Artesanal na Amazônia: Novas Abordagens para Dados Limitados de Desembarque

Keid Nolan Silva Sousa; Charles Gomes da Silva

DOI: 10.22167/2675-6528-202603116

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

Técnicas de machine learning foram propostas para a governança da pesca artesanal na Amazônia, buscando superar limitações de dados de desembarque. O estudo objetivou constituir grupos de manejo, avaliar tendências temporais e propor modelos de predição para dados de desembarque pesqueiro, a fim de apoiar a tomada de decisão e o ordenamento. Os dados de desembarque, coletados entre 2010 e 2022 nos rios Baixo Amazonas e Baixo Araguaia-Tocantins, foram integralizados em uma matriz de análise. Adotou-se a família taxonômica como unidade de estoque funcional para agrupar os dados. Foram empregadas técnicas multivariadas de agrupamento (clusterização hierárquica e K-means), análise e simulação de séries temporais (modelo ARIMA Forecast otimizado) e técnicas multivariadas confirmatórias (modelos de regressão em painel longitudinal). A análise de agrupamento segmentou grupos de estoques funcionais por faixas de quilos de peixe (Alvos Mistos, Alvos Baixo Araguaia-Tocantins, Alvos Baixo Amazonas). A investigação de padrões temporais revelou que o atraso de 12 meses foi a melhor alternativa, indicando que as pescarias de um ano afetam as do ano seguinte. Os modelos ARIMA-Forecast otimizados foram bem ajustados, mas não detectaram tendência de declínio ou aumento no comportamento temporal, sugerindo estratégias de adaptação da pesca artesanal. O modelo em painel indicou um quadro estratégico de priorização de estoques funcionais para monitoramento e ordenamento. As abordagens analíticas disruptivas e inovadoras desenvolvidas modernizaram os protocolos de governança da pesca artesanal na Amazônia, fornecendo um painel de indicações estratégicas para o manejo, especialmente nas regiões do Baixo Amazonas e Baixo Araguaia-Tocantins.

Palavras-chave: Amazônia; Desembarque pesqueiro; Estoques funcionais; Governança; Manejo.

1. Introdução

A pesca artesanal na Amazônia representa uma atividade extrativa de biomassa aquática de grande relevância, tanto para o abastecimento alimentar humano quanto para o sustento econômico de inúmeras famílias ribeirinhas. Este segmento é fundamental para a sociedade e os povos amazônicos, exigindo uma governança que seja justa, racional e sustentável para a preservação dos recursos (IBGE/ANA, 2024; Águas Amazônicas, 2024).

Historicamente, a governança do setor pesqueiro na região amazônica tem sido marcada por um cenário de incertezas, o que compromete a eficácia das decisões de manejo e ordenamento. Uma das principais vulnerabilidades reside nas limitações analíticas, resultantes da escassez e da descontinuidade de sistemas de estatística pesqueira que sejam integrados a painéis e indicadores capazes de subsidiar a tomada de decisão em diversos contextos político-administrativos (Castello et al., 2013; Rufino, 2016; Oceana Brasil, 2020; 2023).

Os primeiros esforços científicos para a construção de bancos de dados pesqueiros e o estabelecimento de rotinas analíticas datam da segunda metade da década de 1970, com o monitoramento dos desembarques em Manaus-AM (Petrere, 1976). Contudo, a pesca artesanal permaneceu um setor difuso, enfrentando dificuldades gerenciais significativas devido às limitações na geração de bases de dados e estatísticas de produção. A trajetória de construção de dados pesqueiros na Amazônia é pontuada por lacunas, com iniciativas que remontam aos anos 1960, mas que, entre 2010 e 2020, experimentaram um “apagão” estrutural no monitoramento, apesar de alguns polos terem mantido atividades independentes (Petrere, 1978; Merona e Bittencourt, 1993; Isaac e Barthem, 1995; Ruffino e Isaac, 2000; Ibama, 2002; Raseira, 2008; MacGrath, 2008; Batista et al., 2012; Ruffino, 2014; MacGrath et al., 2020; Cunha e Sousa, 2024; Souza e Feitoza, 2022). Atualmente, a iniciativa “Integra Pesca” busca integrar essas bases de dados para fortalecer o suporte à gestão.

Além dos desafios na estruturação das bases de dados, as práticas analíticas predominantes na gestão pesqueira têm se concentrado em modelos descritivos e lineares (Lima et al., 2017; Fabré et al., 2017; Castello et al., 2018; Arantes et al., 2018; Faria-Junior e Batista, 2019; Pereira e Sousa, 2019; Feitosa e Sousa, 2019; Laurido e Braga, 2019; Serrão et al., 2019; Zacardi, 2020; Fontenelle, 2021). As estatísticas resultantes, baseadas em uma ótica frequentista e probabilística, exibem altos níveis de incerteza, especialmente nas dimensões espacial e temporal, bem como na heterogeneidade ambiental que regula a produção. Aprimorar o desempenho analítico dessas bases de dados para ampliar a capacidade de decisão em gestão, ordenamento e manejo permanece um desafio contínuo.

Diante dessa complexidade, torna-se imperativo desenvolver novas rotas analíticas que permitam prever desembarques e identificar sinais de alerta para a manutenção sustentável e o ordenamento da atividade. Fatores como as variações espaciais, sazonais e temporais das capturas, regulados por mudanças ambientais e condicionantes econômicos, precisam ser modelados e compreendidos sob a ótica da ciência de dados moderna. Estudos recentes têm explorado técnicas avançadas de mineração de dados e aprendizado de máquina, estimulando abordagens disruptivas para o setor (Silva et al., 2019; Kuribayashi et al., 2024; Castanheira et al., 2025).

Nesse contexto, o presente estudo propõe a constituição de grupos de manejo, a avaliação de tendências temporais e a proposição de modelos de predição para dados limitados de desembarque pesqueiro, considerando diferentes cenários fluviais e almejando servir de suporte à tomada de decisão para a governança, a gestão e o ordenamento pesqueiro na Amazônia.

2. Material e Métodos

O presente estudo adotou uma abordagem metodológica quantitativa, de natureza exploratória e confirmatória, com o propósito de constituir grupos de manejo, avaliar tendências temporais e propor modelos de predição para dados de desembarque pesqueiro. A pesquisa foi delineada para oferecer suporte à tomada de decisão na governança, gestão e ordenamento pesqueiro na Amazônia, focando em cenários fluviais específicos.

A área de estudo compreendeu dois recortes fluviais distintos na Amazônia. O primeiro, o Baixo Amazonas, abrangeu as áreas de atuação da frota de pesca artesanal que realiza desembarques nos municípios de Santarém-PA e Alenquer-PA. O segundo, o Baixo Araguaia-Tocantins, incluiu as áreas de atuação da frota de pesca artesanal com desembarques nos municípios de Itupiranga-PA, Marabá-PA e São Geraldo do Araguaia-PA.

Os dados utilizados foram gerados por meio de monitoramento independente dos desembarques pesqueiros, realizado nos municípios de Santarém, Alenquer, Marabá e São Geraldo do Araguaia. A coleta ocorreu de forma contínua entre os anos de 2010 e 2022, utilizando formulários específicos aplicados por apontadores, que são agentes de campo treinados para interagir com os atores da pesca. Assumiu-se que a técnica de amostragem empregada foi aleatória, uma vez que todos os pescadores tiveram a mesma chance de serem consultados.

Para a análise, foram integralizados três bancos de dados independentes (Banco de Desembarque Santarém, Banco de Desembarque Alenquer e Banco de Desembarque Marabá) em uma matriz única. As variáveis mensuradas incluíram um identificador (ID), a quantidade de quilos de peixe capturado (QuilosP), o ano e o mês do registro (ANO e Mês), o nome popular do pescado (CODNmPop), o estoque funcional (EstqFun) e a procedência do rio (Procd).

Uma decisão metodológica central foi a escolha da variável EstqFun, que representa a denominação científica da família taxonômica do peixe, como unidade de referência funcional. Este procedimento foi adotado para unificar os dados em uma mesma matriz geográfica, superando a descontinuidade geográfica e servindo como uma proxy funcional ecológica dos estoques explorados nas diferentes áreas de estudo.

O procedimento de análise de dados foi estruturado em três etapas principais: pré-análise, geração da matriz de análise e execução de protocolos específicos. A pré-análise envolveu o recorte das matrizes originais, a seleção das variáveis de interesse e o empilhamento dos dados, procedimentos realizados em planilha eletrônica para a limpeza e organização do banco de dados de referência.

A sequência de procedimentos analíticos seguiu as diretrizes de Fávero e Belfiore (2015), abrangendo técnicas multivariadas de agrupamento, análise e simulação de séries temporais, e técnicas multivariadas confirmatórias. O conjunto de variáveis foi categorizado em dependente (QuilosP), independentes quantitativas (rendimento econômico bruto, preço por quilo, ano e mês do registro) e qualitativas (nome popular, estoque funcional e procedência regional).

Para as técnicas multivariadas exploratórias (TMEs), empregou-se a análise de correspondência múltipla para detectar associações entre variáveis categóricas. Adicionalmente, foram utilizadas a análise de clusterização hierárquica e o procedimento K-means, com o objetivo de identificar padrões específicos na massa de dados, considerando a quantidade de quilos de peixe capturada, os locais de procedência e os estoques funcionais.

A análise de séries temporais foi realizada para detectar e compreender padrões temporais nos dados de captura. Para isso, a série foi decomposta em seus componentes de tendência, sazonalidade e resíduo. Posteriormente, aplicou-se o procedimento SARIMA Forecast, com simulações para a predição dos quilos de peixe, visando avaliar a capacidade preditiva dos dados.

Na etapa de técnicas multivariadas confirmatórias (TMCs), foram empregados modelos de regressão multinível com dados longitudinais, utilizando estimadores de efeitos fixos, aleatórios e pooled OLS. Este procedimento buscou analisar a capacidade preditiva do conjunto de dados como contribuição para a governança e o manejo da pesca artesanal na Amazônia.

A implementação dos modelos de regressão em painel foi precedida por procedimentos preliminares, incluindo a transformação BOX-COX e a análise de multicolinearidade, com o cálculo do Fator de Inflação de Variância (VIF). O teste de Breusch-Pagan foi aplicado para verificar a homocedasticidade, e, diante da indicação de heterocedasticidade, o modelo foi ajustado utilizando erros padrão robustos (cov_type=’robust’) para garantir inferências válidas.

Os procedimentos analíticos foram implementados em Python, utilizando os ambientes de execução Google Colab e Spyder-Anaconda. Os protocolos e códigos desenvolvidos foram organizados em projetos e disponibilizados em repositórios online, conforme indicado no trabalho original.

3. Resultados e Discussão

A presente seção detalha os achados da pesquisa, iniciando com a análise de agrupamento que visou identificar padrões entre as famílias de peixes e os corredores fluviais do Baixo Amazonas e Baixo Araguaia-Tocantins. O estudo empregou técnicas de clusterização hierárquica e K-means para segmentar os estoques funcionais com base na quantidade de quilos de peixe capturada. Essa abordagem permitiu a criação de grupos distintos, essenciais para uma governança pesqueira mais direcionada e eficaz, superando as limitações impostas pela descontinuidade de dados e pela heterogeneidade ambiental da região amazônica, conforme destacado por Castello et al. (2013) e Rufino (2016).

A análise de agrupamento hierárquico resultou na formação de três grupos principais de estoques funcionais, categorizados por faixas de quilos de peixe. O primeiro grupo, denominado “Alvos de Baixo Volume Total”, caracterizou-se por uma baixa média de volume de pescado tanto no Baixo Amazonas (BAM) quanto no Baixo Araguaia-Tocantins (BAT), apresentando amplitudes de variação significativas. Este grupo incluiu diversas famílias como Ageneiosidae, Arapaimidae, Auchenipteridae, Bryconidae, Characidae, Ctenoluciidae, Cynodontidae, Doradidae, Erythrinidae, Hemiodontidae, Hidrolicus, Lepidosirenidae, Loricariidae, Osteoglossidae, Palaemonidae, Potamotrigonidae e Pristigasteridae, indicando uma distribuição ampla de espécies com menor volume de captura total.

O segundo grupo, “Alvos Foco Araguaia-Tocantins”, demonstrou uma baixa média de volume no Baixo Amazonas e uma alta média no Baixo Araguaia-Tocantins, sugerindo uma concentração da atividade pesqueira e da disponibilidade de certos estoques nesta última região. As famílias Cichlidae, Hemiodidae, Indefinido, Sciaenidae e Serrasalmidae compuseram este agrupamento. Por fim, o terceiro grupo, “Alvos de Alto Volume Misto”, exibiu alta média de volume tanto no Baixo Amazonas quanto no Baixo Araguaia-Tocantins, englobando as famílias Anostomidae, Curimatidae, Hypophthalmidae, Pimelodidae e Prochilodontidae. Estes resultados são cruciais para identificar quais estoques funcionais são mais representativos em cada bacia, orientando o manejo para a sustentabilidade da pesca artesanal.

Complementarmente, a análise de agrupamento K-means também segmentou os estoques funcionais em três grupos, com base em gradientes de quilos de peixe. O “Agrupamento 0: Alvos Baixo Amazonas” apresentou alto volume no Baixo Amazonas e baixo volume no Baixo Araguaia-Tocantins, caracterizando um domínio da produção na primeira região, com estoques funcionais como Anostomidae, Pimelodidae e Prochilodontidae. O “Agrupamento 1: Alvos Mistos” englobou estoques com baixos valores de quilos de peixe em ambas as regiões, incluindo famílias como Ageneiosidae, Arapaimidae, Auchenipteridae, Bryconidae, Characidae, Ctenoluciidae, Cynodontidae, Doradidae, Erythrinidae, Hemiodontidae, Hidrolicus, Lepidosirenidae, Loricariidae, Osteoglossidae, Palaemonidae, Potamotrigonidae, Pristigasteridae e Serrasalmidae.

O “Agrupamento 2: Alvos Baixo Araguaia-Tocantins” revelou volume médio no Baixo Amazonas e alto volume no Baixo Araguaia-Tocantins, indicando um domínio de produção nesta última área, com estoques funcionais como Cichlidae, Curimatidae, Hemiodidae, Hypophthalmidae e Sciaenidae. A combinação desses resultados de agrupamento, tanto hierárquico quanto K-means, forneceu uma base sólida para a proposição de grupos de manejo, permitindo que os tomadores de decisão direcionem esforços de conservação e estratégias de manejo pesqueiro para famílias de peixes que compartilham padrões de uso de habitat e volumes de captura semelhantes nos corredores fluviais estudados.

A análise de similaridade, empregando a distância de Jaccard, foi fundamental para comparar os grupos formados pelas duas técnicas de agrupamento e definir o conjunto mais adequado de agrupamentos. Verificou-se que os “Alvos Baixo Amazonas” do K-means apresentaram similaridade de 0,60 com o grupo de “Alto volume Baixo Amazonas e Baixo Araguaia Tocantins” do agrupamento hierárquico, com domínio no Alto Amazonas. Os “Alvos Mistos” do K-means mostraram alta similaridade (0,89) com o grupo “Volume total baixo Amazonas e baixo Araguaia Tocantins”, enquanto os “Alvos Baixo Araguaia-Tocantins” do K-means foram similares (0,43) ao grupo “Alvos Foco Araguaia-Tocantins”. Essa comparação permitiu a proposição final de três grupos de estoques funcionais: Alvos Domínio Baixo Amazonas, Alvos Mistos e Alvos Domínio Baixo Araguaia-Tocantins, que representam visualmente as relações hierárquicas e a distribuição da procedência do registro, oferecendo uma contribuição importante para o direcionamento de esforços de conservação e manejo.

Análise de séries temporais e Simulação de Quilos de Peixe (kg)

A análise de séries temporais foi conduzida para investigar a dinâmica da captura de pescado ao longo do tempo, utilizando modelos FORECAST, ARIMA e SARIMA. A série bruta dos dados de “Captura Mensal (kg)” revelou tendências observáveis e padrões sazonais distintos. Inicialmente, observou-se uma tendência geral de queda nos quilos de peixe capturados entre 2010 e 2013, seguida por um período de crescimento até 2017. Após 2017, a captura demonstrou oscilações, indicando uma possível estabilização ou leve diminuição no final da série temporal analisada.

Um padrão sazonal claro emergiu da análise, com os “Quilos de Peixe” atingindo consistentemente o pico no meio do ano, geralmente entre abril e julho, e os valores mais baixos no final e início do ano, de novembro a fevereiro. Essa sazonalidade sugere que a atividade pesqueira ou a disponibilidade de peixes é influenciada por fatores ambientais, como os níveis de água dos rios e os ciclos reprodutivos das espécies. Além disso, foram identificados picos incomumente altos ou baixos, como um notável pico em meados de 2017, que podem indicar eventos específicos, condições ambientais atípicas ou anomalias nos dados de registro, demandando investigações adicionais para compreender suas causas subjacentes.

A decomposição da série temporal permitiu isolar e analisar individualmente o componente de tendência, o componente sazonal e o componente residual. O componente de tendência suavizado revelou o movimento subjacente de longo prazo na captura de peixe, desassociado das flutuações sazonais. O componente sazonal confirmou um padrão anual forte e consistente, com picos entre abril e julho e pontos mais baixos entre novembro e fevereiro. A magnitude dessa sazonalidade, em um modelo multiplicativo, tende a aumentar com a tendência geral, indicando que capturas maiores ocorrem durante as temporadas de pico quando a tendência geral é mais alta.

O componente residual, por sua vez, representou as flutuações irregulares ou imprevisíveis remanescentes após a remoção da tendência e da sazonalidade. Este “ruído” nos dados pode sinalizar eventos incomuns, valores atípicos ou fatores não capturados pelos padrões modelados. O pico observado em meados de 2017, por exemplo, destacou-se como um pico proeminente nos resíduos, sugerindo um evento que transcendeu a variação sazonal típica ou a tendência subjacente. A decomposição facilitou a compreensão da estrutura dos dados de “Quilos de Peixe”, indicando que fatores externos, como ciclos reprodutivos e condições ambientais, influenciam significativamente as taxas de captura anualmente.

As simulações com modelos de atrasos (lags) foram realizadas para avaliar a capacidade preditiva da série temporal. Três modelos foram testados com diferentes atrasos: 24, 48 e 96 meses; 6, 12, 18 e 24 meses; e 30, 36, 42 e 48 meses. O modelo com atrasos de 6, 12, 18 e 24 meses demonstrou o melhor desempenho, ajustando-se de forma mais precisa aos dados reais e capturando picos e vales sazonais com maior fidelidade. Este modelo apresentou menor suavização em comparação com os outros, indicando uma capacidade superior de resposta às flutuações reais da captura.

O atraso de 12 meses revelou-se o fator mais significativo, com um coeficiente positivo de aproximadamente 0,6069, sugerindo que a captura de um ano afeta de forma substancial a captura do ano seguinte. Este achado é crucial para a governança, pois estabelece um parâmetro estratégico para a discussão de medidas regulatórias da pesca, sendo o primeiro estudo a comprovar esse efeito anual na produção de peixes pela pesca artesanal. Os atrasos de 6, 18 e 24 meses também apresentaram influências positivas, embora menores, reforçando a natureza cíclica dos dados ao longo de períodos de um e dois anos, intimamente ligada ao ciclo hidrológico da Amazônia.

A eficácia superior do modelo com atraso de 12 meses reside em sua capacidade de capturar com precisão os padrões intrincados da série temporal de “Quilos de Peixe (kg)”, especialmente sua sazonalidade pronunciada e flutuações de curto prazo, com suavização significativamente menor em comparação com os outros modelos. A comparação visual demonstrou que a linha estimada seguia de perto os dados reais, igualando picos e vales sazonais com alta fidelidade. O forte coeficiente positivo do atraso de 12 meses confirma seu papel crítico como o indicador sazonal anual mais influente, garantindo que o modelo seja sensível às mudanças cíclicas anuais e forneça previsões mais precisas dentro da amostra.

Para aprimorar a predição, a função `auto_arima` foi utilizada para identificar automaticamente os melhores parâmetros (p, d, q) não sazonais e (P, D, Q, s) sazonais para o modelo SARIMA, minimizando o critério de informação de Akaike (AIC). O modelo SARIMAX(1, 0, 0) foi otimizado e ajustado com os parâmetros identificados, gerando previsões para horizontes de 6, 12 e 24 meses. A análise do ajuste da Média Móvel de 12 meses (tendência geral) demonstrou que o modelo SARIMA acompanhou essa tendência, indicando sua capacidade de capturar a componente de longo prazo dos dados.

Os valores preditos pelo SARIMA mostraram-se mais próximos da Média Móvel em períodos de menor dispersão, suavizando picos e valores extremos, o que é característico de modelos ARIMA/SARIMA que buscam modelar a estrutura intrínseca da série. A largura do intervalo de confiança de 95% também foi avaliada, e sua consistência em englobar a linha da Média Móvel sugere uma boa confiança na capacidade do modelo de prever a direção futura da série. Pontos de desalinhamento significativos entre a linha original, a previsão do SARIMA e a Média Móvel foram considerados anomalias ou eventos externos, auxiliando na identificação de fatores não incluídos no modelo ou mudanças estruturais na série.

A inclusão da Média Móvel de 12 meses no gráfico reforçou a conclusão de que o modelo SARIMA otimizado possui um ajuste robusto aos dados históricos, conseguindo modelar a sazonalidade e rastrear a tendência de contexto da captura de peixe. A capacidade do modelo de seguir a Média Móvel indica que ele está capturando as dinâmicas de longo prazo de forma eficaz. Contudo, a análise visual também destacou a importância de considerar a tendência e os intervalos de confiança para uma avaliação mais crítica das previsões, especialmente para cenários com alta dispersão ou desvios extremos do padrão, conforme a literatura sobre modelagem de séries temporais (Fávero e Belfiore, 2015).

Modelagem de Regressão em Painel

A etapa de modelagem de regressão em painel foi executada em duas fases: procedimentos preliminares e implementação do modelo. Nos procedimentos preliminares, o teste de Breusch-Pagan rejeitou a hipótese de homocedasticidade, indicando a presença de heterocedasticidade nos resíduos. Essa constatação justificou a utilização de erros padrão robustos no ajuste do modelo, garantindo inferências mais confiáveis e válidas, uma vez que a heterocedasticidade, se não corrigida, tornaria os erros padrão dos coeficientes enviesados e inconsistentes, comprometendo a precisão das inferências (Fávero e Belfiore, 2015).

A análise de multicolinearidade, avaliada pelos Valores de Fator de Inflação de Variância (VIF), revelou VIFs elevados para várias variáveis Dummy de “Estoque Funcional”, como PIMEL, ANOST, CURM, CICHLID, HYPOPHT, INDEFINIDO, PROCHILO, PRISTIG e DORAD. Embora a multicolinearidade seja esperada em modelos com variáveis Dummy e efeitos fixos/aleatórios, ela dificulta a interpretação individual dos coeficientes. No entanto, a validade geral do modelo é mantida, especialmente com o uso de erros padrão robustos e a abordagem de `drop_first=True` para as Dummies, permitindo compreender que os níveis de estoques funcionais podem ser preditivos para os valores de quilos de peixe, apesar das correlações entre as categorias.

Na implementação do modelo, testou-se um modelo de efeitos aleatórios sobre a variável dependente “QuilosP” (transformada por Box-Cox), utilizando como variáveis independentes o ano de registro (variável longitudinal), a procedência (Baixo Araguaia-Tocantins e Baixo Amazonas) e 26 estoques funcionais. Os resultados obtidos com o modelo de Efeitos Aleatórios, ajustado com Box-Cox e erros padrão robustos, demonstraram ser confiáveis. O R-Quadrado geral do modelo foi de 0,1613, com um R-Quadrado entre de 0,1193 e um R-Quadrado dentro de 0,1067, indicando a proporção da variância explicada pelas variáveis no modelo.

A análise dos estimadores revelou uma Estatística F de 1165,1 e um p-valor de 0,0000, confirmando a significância estatística do modelo. Especificamente, 22 estoques funcionais apresentaram p-valores inferiores a 0,05, indicando um efeito significativo na quantidade de quilos de peixe. Entre os estoques funcionais com efeitos positivos significativos destacam-se Anostomidae (0,6135), Bryconidae (0,6234), Cichlidae (0,2739), Curimatidae (0,4232), Hemiodidae (0,8239), Hidrolicus (1,7625), Hypophthalmidae (1,0195), Indefinido (0,1843), Loricariidae (0,2435), Palaemonidae (0,891), Prochilodontidae (0,7931) e Sciaenidae (0,6768).

Por outro lado, estoques funcionais como Arapaimidae (-1,0489), Ctenoluciidae (-0,8041), Cynodontidae (-0,361), Erythrinidae (-0,7875), Lepidosirenidae (-0,5966), Osteoglossidae (-0,4255) e Pimelodidae (-0,0813) apresentaram efeitos negativos significativos. A procedência Baixo Araguaia-Tocantins também teve um efeito negativo significativo (-0,9466), enquanto o ano de registro (0,0421) mostrou um efeito positivo. Esses resultados fornecem um quadro estratégico de priorização de estoques funcionais para monitoramento e ordenamento em cada rio analisado, permitindo que as estratégias de governança sejam discutidas à luz desses achados e direcionadas para as espécies mais relevantes em cada região.

Em síntese, os resultados da pesquisa demonstraram que a aplicação de técnicas de machine learning, como agrupamento e modelagem de séries temporais e em painel, oferece um caminho disruptivo para a governança da pesca artesanal na Amazônia. A identificação de grupos de estoques funcionais e a compreensão dos padrões temporais, especialmente o atraso de 12 meses, fornecem subsídios estratégicos para o manejo. Embora o modelo SARIMA não tenha detectado uma tendência clara de declínio ou aumento, sugerindo a adaptabilidade da pesca artesanal, o modelo em painel indicou um quadro de priorização de estoques funcionais significativos para monitoramento e ordenamento, modernizando os protocolos de governança nas regiões do Baixo Amazonas e Baixo Araguaia-Tocantins.

4. Conclusão

O estudo objetivou constituir grupos de manejo, avaliar tendências temporais e propor modelos de predição para dados limitados de desembarque pesqueiro, a fim de apoiar a tomada de decisão e o ordenamento da pesca artesanal na Amazônia. Para tanto, aplicou-se um conjunto de técnicas de machine learning, revelando que a análise de agrupamento segmentou os estoques funcionais em três grupos distintos: Alvos Mistos, Alvos Baixo Araguaia-Tocantins e Alvos Baixo Amazonas. Essa categorização, baseada em faixas de quilos de peixe, forneceu uma base para identificar estoques representativos em cada bacia. Verificou-se, por meio da análise de séries temporais, que o atraso de 12 meses foi o fator mais significativo, indicando que as pescarias de um ano influenciam as do ano subsequente, um achado inédito que estabelece um parâmetro estratégico para a regulação. Embora os modelos ARIMA-Forecast otimizados tenham se ajustado bem, não detectaram tendência de declínio ou aumento no comportamento temporal, sugerindo a capacidade de adaptação da pesca artesanal. Adicionalmente, o modelo de regressão em painel indicou um quadro estratégico para a priorização de estoques funcionais no monitoramento e ordenamento. A principal contribuição do estudo reside na modernização dos protocolos de governança da pesca artesanal na Amazônia, especialmente nas regiões do Baixo Amazonas e Baixo Araguaia-Tocantins, por meio de abordagens analíticas disruptivas e inovadoras que fornecem um painel de indicações estratégicas para o manejo. A mudança da unidade de avaliação de estoques para a família taxonômica representou uma inovação metodológica crucial para lidar com a descontinuidade dos dados.

O estudo, contudo, apresentou limitações inerentes ao foco em uma matriz de dados de produção de biomassa aquática, que, embora útil como proxy, não deve ser interpretada como abundância natural dos estoques. As bases de dados do Baixo Amazonas e Baixo Araguaia-Tocantins, apesar de consistentes temporalmente, possuíam restrições no conjunto de variáveis tradicionalmente empregadas em avaliações pesqueiras, o que impôs limites à interpretabilidade e à capacidade de extrapolação dos resultados, sem comprometer a qualidade dos dados. Sugere-se, para estudos futuros, a investigação aprofundada da hipótese de que a produção de peixe em um ano afeta o ano seguinte, bem como a inserção de análises mais detalhadas sobre a ocorrência de dados faltantes, como zeros e quedas nos finais da série, visando aprimorar a compreensão da dinâmica pesqueira e fortalecer a governança.

Referências Bibliográficas

Castello, L., Hess, L. L., Thapa, R., Mcgrath, D. G., Arantes, C. C., Renó, V. F., & Isaac, V. J. Fishery yields vary with land cover on the Amazon River floodplain. Fish and fisheries, v. 19, n. 3, p. 431-440, 2018.

IBGE/ANA, 2024 [Referência completa não encontrada no documento original]

Oceana Brasil, 2020 [Referência completa não encontrada no documento original]

Oceana Brasil, 2023 [Referência completa não encontrada no documento original]

Petrere Jr., M. Pesca e esforço de pesca no estado do Amazonas. I. Esforço e captura por unidade de esforço. Acta Amazonica

Petrere Jr., M. Pesca e esforço de pesca no estado do Amazonas. I. Esforço e captura por unidade de esforço. Acta Amazonica, n. 8, 1978a, pp. 439-454.

Ruffino, M. L. Status and trends of the fishery resources of the Amazon Basin in Brazil. Inland fisheries evolution and management: case studies from four continents. Roma: FAO Fisheries and Aquaculture, p. 1-20, 2014.

Águas Amazônicas, 2024 [Referência completa não encontrada no documento original]

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy