Resumo Executivo

Lucas Gaspar Pacciullio da Silva; Huga Géssica Bento de Oliveira

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

O objetivo desta pesquisa foi avaliar os efeitos de um empreendimento hidrelétrico na avifauna, utilizando um delineamento amostral BACI (Before-After Control-Impact) combinado com a análise da diversidade beta. A abordagem buscou superar as limitações dos métodos tradicionais de monitoramento, que se restringem a métricas de diversidade alfa e análises descritivas, oferecendo um modelo analítico mais robusto para isolar os efeitos da intervenção humana das variações naturais. Ao quantificar as mudanças na composição de espécies ao longo do tempo e entre áreas controle e impactada, o estudo visa fornecer subsídios mais confiáveis para o licenciamento ambiental, aprimorando a detecção de impactos e orientando medidas de mitigação. A pesquisa parte da premissa de que a perda de biodiversidade, impulsionada por atividades antrópicas, exige ferramentas de avaliação cada vez mais sofisticadas.

A crescente pressão sobre os ecossistemas, decorrente de empreendimentos como usinas hidrelétricas, gera impactos profundos nos meios físico, social e biótico (Cares et al., 2023). No componente biótico, os efeitos diretos incluem a supressão de vegetação, que causa perda e fragmentação de habitats, um dos principais vetores de declínio populacional (Fahrig, 2003). A criação de barreiras físicas, como reservatórios, pode limitar o deslocamento da fauna e interromper o fluxo gênico (Haddad et al., 2015). Adicionalmente, a poluição sonora e luminosa pode interferir em processos ecológicos como a reprodução e a dispersão de sementes (Summers et al., 2011). Tais modificações podem forçar um adensamento populacional em fragmentos remanescentes, intensificando a competição por recursos e elevando o risco de extinções locais (Didham, 2010).

No Brasil, o Licenciamento Ambiental é o principal instrumento para controle e mitigação desses impactos, exigindo estudos prévios e monitoramento contínuo (de Almeida, 2020). Quando há risco para a fauna, a legislação exige programas de monitoramento e relatórios periódicos (Brasil, 2013). Contudo, a análise dos dados coletados frequentemente se limita a métodos descritivos e índices de diversidade alfa (e. g., Shannon e Simpson). Embora úteis, esses índices são insuficientes para capturar as mudanças na composição das comunidades, fenômeno conhecido como turnover de espécies (Dornelas et al., 2014; Socolar et al., 2016). Relatórios de monitoramento frequentemente utilizam esses índices com testes como a ANOVA para comparar médias, mas falham em modelar a dinâmica diferencial entre áreas impactadas e de controle (e. g., ISA STEEP, 2023; LEME Eng., 2014).

Em contraposição, a diversidade beta, definida como a variação na composição de espécies entre locais ou momentos, emerge como uma métrica mais sensível. Ela permite a detecção de padrões de dissimilaridade e a quantificação da substituição de espécies (turnover) e do aninhamento (nestedness) em resposta a perturbações (Legendre e De Cáceres, 2013). A análise da diversidade beta não apenas revela se a composição da fauna mudou, mas também permite inferir sobre a perda ou ganho de funções ecológicas, sendo fundamental para uma compreensão acurada dos impactos ambientais (Anderson et al., 2011; Baselga, 2010).

Para isolar o efeito de uma intervenção das flutuações naturais, o delineamento amostral BACI é uma das ferramentas estatísticas mais robustas (Oaten-Stewart et al., 1992; Sánchez, 2013). O desenho compara áreas impactadas e de controle, antes e depois de uma intervenção, permitindo que a variação natural seja descontada. Embora a lógica do BACI seja frequentemente incorporada na coleta de dados para o licenciamento no Brasil, a aplicação do modelo estatístico completo em sua análise é rara, comprometendo a capacidade de gerar inferências causais precisas sobre a real extensão dos impactos (Smokorowski e Randall, 2017). Este estudo integra a robustez do delineamento BACI com o poder informativo da diversidade beta, aplicando um modelo de Análise de Covariância (ANCOVA) para uma avaliação de impacto mais rigorosa.

O estudo utilizou um banco de dados de monitoramento de avifauna de uma Pequena Central Hidrelétrica (PCH) no Paraná. As aves foram selecionadas como grupo focal por serem excelentes bioindicadoras da qualidade ambiental (Padoa-Schioppa et al., 2006; Stotz et al., 1996). Os dados foram coletados ao longo de 18 campanhas trimestrais entre março de 2020 e maio de 2024, abrangendo as diferentes estações. O delineamento seguiu o modelo BACI, com amostragens em dois remanescentes florestais: um na Área Diretamente Afetada (ADA), como área de impacto, e outro fora da Área de Influência Direta (AID), como área Controle. O cronograma foi estruturado em três fases: pré-obra (C01-C02, Before), instalação (C03-C11) e operação (C12-C18, After).

A coleta de dados em campo foi realizada por ornitólogos especialistas, empregando uma combinação de três métodos. A técnica de ‘pontos de escuta’ consistiu no registro de espécies visualizadas ou ouvidas por 10 minutos em pontos pré-estabelecidos (Vielliard e Silva, 1990). O método de ‘listas de Mackinnon’ envolveu o registro de espécies em listas sequenciais de 10 espécies distintas para otimizar o esforço amostral (Bibby et al., 2000). Complementarmente, foram utilizadas ‘redes de neblina’ para a captura passiva de espécies discretas do sub-bosque (Ralph, 1993).

A variável resposta foi a diversidade beta, que quantifica a mudança na composição de espécies ao longo do tempo. Para seu cálculo, utilizou-se a dissimilaridade de Bray-Curtis, que mede a diferença na composição e abundância de espécies entre duas amostras (Bray e Curtis, 1957). O índice varia de 0 (amostras idênticas) a 1 (sem espécies em comum) (Clarke e Warwick, 2001; Anderson et al., 2006). O cenário de referência foi a dissimilaridade média entre as duas campanhas de pré-obra na área Controle, criando uma linha de base robusta. As variáveis preditivas foram ‘fase’ (pré-obra, instalação, operação) e ‘ua’ (ADA, controle) como categóricas, e ‘campanhas’ (C01-C18) como numérica contínua.

A análise estatística foi conduzida em Python. Inicialmente, um modelo de regressão por Mínimos Quadrados Ordinários (OLS) explorou a relação entre a diversidade beta, o tempo e a unidade amostral. A normalidade dos resíduos foi confirmada (Omnibus p = 0,122; Jarque-Bera p = 0,219), mas o teste de Breusch-Pagan (p < 0,001) indicou heterocedasticidade, corrigida com erros padrão robustos (HC1). A avaliação de impacto foi realizada por um modelo de ANCOVA, que analisou o efeito da ‘fase’ na diversidade beta, controlando o efeito temporal da covariável ‘campanhas’. Um teste inicial da premissa de homogeneidade das inclinações não foi significativo, permitindo a remoção da covariável temporal para simplificar o modelo final (Engqvist, 2005). O modelo final utilizou uma ANOVA tipo II, adequada para dados desbalanceados, para testar os efeitos principais de ‘fase’, ‘UA’ e a interação ‘fase:UA’. A significância desta interação é o principal indicador de um impacto diferencial (Shaw e Mitchell-Olds, 1993; McDonald et al., 2000). Comparações múltiplas post-hoc com o teste de Tukey HSD detalharam os padrões de impacto.

A análise de regressão linear (OLS) revelou um ajuste satisfatório (R² = 0,528; R² ajustado = 0,484), indicando que tempo e local explicaram 48% da variabilidade na composição de espécies. A diversidade beta de referência, calculada a partir das campanhas de pré-obra na área controle, foi de 0,22. Este valor não nulo reflete a heterogeneidade natural da comunidade antes do empreendimento, corroborando a necessidade de abordagens como o BACI, que não assumem uma linha de base homogênea (Anderson et al., 2011). A análise visual da regressão demonstrou que ambas as áreas exibiram uma tendência de aumento na diversidade beta ao longo do tempo, sugerindo mudanças na composição de espécies em escala regional, independentes do empreendimento.

O primeiro modelo de ANCOVA, testando a premissa de homogeneidade das inclinações, mostrou que a interação entre fase e campanha não foi significativa (p = 0,6286), validando a premissa. O efeito principal da variável ‘fase’ neste modelo foi altamente significativo (p = 0,0055), demonstrando que a diversidade beta média diferiu entre as fases da obra, com um aumento acentuado na dissimilaridade após a fase de pré-obra.

A evidência mais robusta do impacto diferencial emergiu do modelo BACI completo (ANOVA Tipo II), que apresentou alto poder explicativo (R² = 0,846; R² ajustado = 0,821). O resultado central foi a interação altamente significativa entre a fase do projeto e a unidade amostral (Fase x Área: p = 0,0004). Esta significância é a principal evidência de que a trajetória de mudança na composição de espécies foi estatisticamente distinta entre a área de impacto e a área de controle, uma divergência atribuível ao empreendimento.

As comparações post-hoc de Tukey HSD detalharam essa interação. Confirmou-se uma dissimilaridade basal significativa entre a ADA e a área Controle na fase de pré-obra (p < 0,0001). A comparação temporal dentro da área impactada revelou que a diversidade beta na fase de operação foi significativamente maior que na sua linha de base de pré-obra (p = 0,0136), indicando uma mudança detectável na ADA. Mais importante, as comparações espaciais mostraram que a diversidade beta da ADA foi significativamente diferente da área de controle tanto na fase de instalação (p = 0,0037) quanto na de operação (p = 0,0011). Esta divergência crescente confirma o impacto diferencial.

A representação gráfica da interação ilustra essa divergência. Embora ambas as áreas tenham apresentado aumento na dissimilaridade, a trajetória da área impactada foi mais acentuada. A força do desenho BACI reside na capacidade de isolar o impacto das variações naturais do ambiente, que afetam ambas as áreas (Stewart-Oaten et al., 1986). A mudança na área controle serve como régua para a variação de fundo, e o desvio significativo dessa régua na área de impacto pode ser atribuído à intervenção.

A interpretação ecológica aponta para os efeitos cumulativos e de defasagem temporal das perturbações. Durante a implantação de uma hidrelétrica, o impacto mais direto na avifauna é a supressão da vegetação e a consequente perda e fragmentação do habitat (Fearnside, 2019; Laurance et al., 2011). A detecção do impacto diferencial mais forte na fase de operação, e não na de instalação, sugere que a resposta da comunidade não foi instantânea, mas um reflexo de um efeito acumulado. Este fenômeno, conhecido como “débito de extinção”, ocorre quando as espécies respondem a mudanças no habitat com um atraso (Kuussaari et al., 2009). Este achado ressalta a importância do monitoramento de longo prazo para capturar a real magnitude dos impactos, que podem ser subestimados em avaliações de curto prazo (Athayde et al., 2019).

É fundamental reconhecer que a análise da diversidade beta quantifica a magnitude da mudança, mas não a qualifica como “positiva” ou “negativa” (Anderson et al., 2011). Uma alteração na composição pode significar a substituição de espécies especialistas por generalistas, representando uma perda de qualidade ecológica. Para inferir se a variação representa degradação, análises complementares são necessárias, como a avaliação da abundância de espécies raras ou ameaçadas e a análise de características funcionais, que não foram escopo deste estudo.

Em suma, a aplicação da análise de diversidade beta dentro de um delineamento BACI, modelada por ANOVA Tipo II, provou ser uma abordagem robusta e eficaz para identificar e quantificar os impactos de um empreendimento na fauna. Os resultados fornecem evidências estatísticas de que a alteração na composição da comunidade de aves na área de impacto foi significativamente diferente das variações naturais na área de controle, confirmando um impacto diferencial atribuível à PCH. Este estudo demonstra a necessidade de modernizar os métodos de avaliação de impacto no licenciamento ambiental, incorporando abordagens mais precisas e ecologicamente informativas como a diversidade beta, em detrimento de métricas tradicionais como a diversidade alfa.

A robustez desta abordagem acarreta benefícios práticos e econômicos. Quando um impacto é claramente quantificado, a análise orienta a implementação de medidas de mitigação mais eficazes. Na ausência de evidência de impacto, essa mesma precisão pode subsidiar a otimização ou o encerramento de programas de monitoramento de alto custo. Tal abordagem permite uma alocação mais racional de recursos, garantindo que os esforços de compensação sejam direcionados para onde são necessários. Conclui-se que o objetivo foi atingido: demonstrou-se que a abordagem metodológica que integra o delineamento BACI com a análise da diversidade beta é eficiente em detectar e quantificar o impacto real de um empreendimento na fauna, isolando-o das flutuações naturais do ambiente e fornecendo uma base de evidências muito mais sólida para a gestão ambiental.

Referências:
de Almeida, Fábio Souto. 2020. Impactos ambientais de grandes empreendimentos no Brasil. 1a. Editora Autografia Edição e Comunicação Ltda.
Anderson, M. J. ; Ellingsen K. E. ; e McArdle , B. H. 2006. Multivariate dispersion as a measure of beta diversity. Ecology Letters, 9(6):683–93.
Anderson, M. J. ; et al. ; e Pablo Ferreras. 2011. Navigating the multiple meanings of β diversity: a roadmap for the practicing ecologist. Ecology Letters 19(1):19–28. doi:10.1016/j. biocon.2020.108405.
Athayde, S. ; Duarte, C. G. ; Gallardo, A. L. ; Moretto, E. M. ; Sangoi, L. A. ; Dibo, A. P. A. ; … & Sánchez, L. E. 2019. Improving policies and instruments to address cumulative impacts of small hydropower in the Amazon. Energy Policy, 132, 265-271.
Baselga, A. 2010. Partitioning the turnover and nestedness components of beta diversity. Global Ecology and Biogeography 19(1):134–43.
Bibby, C. ; Burgess , N. D. ; e Hill D. 2000. Bird Census Techniques. 2a. organizado por Academic Press.
Brasil. 2013. Instrução Normativa IBAMA no 13, de 19 de julho de 2013. Estabelece procedimentos para padronização metodológica dos planos de amostragem de fauna em estudos ambientais para licenciamento de rodovias e ferrovias.
Bray, J. R. ; e J. T. Curtis. 1957. An ordination of the upland forest communities of southern Wisconsin. Ecological Monographs 27(4):325–49.
Cares, Rocío A. ; Aldina M. A ; Franco M; e Alan Bond. 2023. Investigating the implementation of the mitigation hierarchy approach in environmental impact assessment in relation to biodiversity impacts. Environmental Impact Assessment Review 102:107214. doi:10.1016/J. EIAR.2023.107214.
Clarke, K. R. ; e R. M. Warwick. 2001. Change in marine communities: an approach to statistical analysis and interpretation. PRIMER-E.
Didham, R. K. 2010. Ecological Consequences of Habitat Fragmentation. em Encyclopedia of Life Sciences. Wiley.
Dirzo, Rodolfo ; Hillary S. Young ; Mauro Galetti ; Gerardo Ceballos ; Nich J. B. Isaac ; e Ben Collen. 2014. Defaunation in the Antrhopocene. Science 401(6195):401–6. doi:10.1126/science.1251817.
Dornelas M .; Gotelli , N. J.; McGill , B.; Shimadzu , H., Moyes F.; Sievers , C; e Magurran , A. E. 2014. Assemblage Time Series Reveal Biodiversity Change but Not Systematic Loss. Science 344(6181):296–99. doi:10.1126/science.1248484.
Engqvist, L. 2005. The mistreatment of covariate interaction terms in linear model analyses of behavioural and evolutionary ecology studies. Animal Behaviour 70(4):967–71. doi:10.1016/j. anbehav.2005.01.016.
Fahrig, L. 2003. Effects of Habitat Fragmentation on Biodiversity. Annual Review of Ecology, Evolution, and Systematics 34(1):487–515. doi:10.1146/annurev. ecolsys.34.011802.132419.
Fearnside, P. M. 2019. Hidrelétricas na Amazônia – Impactos ambientais e sociais na tomada de decisões sobre grandes obras. Vol. 03. Manaus-AM.
Haddad, Nick M., et al. 2015. Habitat fragmentation and its lasting impact on Earths ecosystems. Science Advances. doi:10.1126/sciadv.1500052.
ISA CTEEP. 2023. Linhas de Transmissão Piraquê – Programa de Monitoramento de Fauna

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

_{Saiba mais sobre o curso; clique aqui:}