Resumo Executivo

Luana Stoppa Ferreira de Souza; Anna Carolina Martins

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

Este trabalho desenvolveu um modelo estatístico para compreender os fatores que impactam as queimadas no estado do Mato Grosso, utilizando modelagem espacial e análise estatística com base em dados geoespaciais, climáticos, de vegetação e antrópicos. A investigação buscou identificar as principais variáveis impulsionadoras e mitigadoras da ocorrência de focos de calor, a fim de subsidiar políticas públicas para o manejo do uso do solo e a prevenção de incêndios. A análise abrangeu o período de 2011 a 2024, permitindo a captura de tendências temporais e padrões espaciais da dinâmica do fogo no estado.

O aumento global na incidência de queimadas gera preocupações sobre seus impactos ambientais, hídricos e climáticos (Rodrigues et al., 2018). A intensidade e frequência desses eventos são exacerbadas por mudanças climáticas e atividades antropogênicas, ameaçando a estabilidade ecológica e o bem-estar humano (Prior & Eriksen, 2013; Bokhwa & Sarkar, 2017). No Brasil, ecossistemas como os de Mato Grosso são vulneráveis. Pesquisas documentam impactos na disponibilidade hídrica, com reduções nos níveis de aquíferos agravadas por incêndios (Celis et al., 2023). No curto prazo, a destruição da cobertura vegetal reduz a infiltração do solo e intensifica o escoamento superficial, elevando a carga de sedimentos e nutrientes nos corpos d’água (Carvalho-Santos et al., 2019; Pimentel-Rodrigues et al., 2021).

Mato Grosso é uma área de estudo estratégica por concentrar três biomas (Amazônia, Cerrado e Pantanal), apresentar intensa expansão da fronteira agrícola e registrar um histórico de incêndios severos (Berlinck et al., 2022). Estudos recentes indicam aumentos expressivos na ocorrência de queimadas, especialmente no Pantanal e na porção amazônica do estado entre 2016 e 2021 (Alvim et al., 2024; Alvim et al., 2025). A principal motivação é o uso do fogo para conversão e manejo de áreas agrícolas. A emissão de poluentes como monóxido de carbono (CO) e carbono negro (BC) em Mato Grosso foi utilizada como indicador de queima de vegetação em regiões com baixa atividade industrial, reforçando a predominância da fonte agrícola (Alvim et al., 2024).

Estudos em Mato Grosso já empregaram sensoriamento remoto para analisar as queimadas. Lotufo et al. (2020) investigaram a relação entre índices espectrais e a temperatura da superfície, demonstrando alterações no ambiente pós-queimada. Fagundes et al. (2021) e Teixeira et al. (2021) analisaram a distribuição espaço-temporal de focos de calor, correlacionando-os com classes de vegetação, dados pluviométricos e proximidade com vias. Esses trabalhos evidenciam a influência antrópica e climática na dinâmica do fogo. A relevância de tais estudos é reconhecida internacionalmente, com pesquisas similares em outras regiões vulneráveis, como no México (Hernandez-Santiago et al., 2022; Gutiérrez et al., 2023), demonstrando o interesse global no tema. Este trabalho avança na compreensão das interações entre fatores humanos e ambientais que determinam a dinâmica das queimadas em Mato Grosso, por meio de uma abordagem quantitativa que integra múltiplas fontes de dados e técnicas de modelagem econométrica.

A pesquisa adotou uma abordagem quantitativa baseada em análise geoespacial e modelagem estatística. O estudo foi estruturado em quatro etapas: caracterização da área de estudo, coleta e organização dos dados, análise exploratória e modelagem econométrica. O estado de Mato Grosso, terceiro maior do Brasil, abriga os biomas Amazônia, Cerrado e Pantanal, com clima predominantemente tropical (Aw e Am) e economia baseada no agronegócio (IBGE, 2025; Alvares et al., 2013). A sazonalidade climática é marcada, com um período seco entre maio e setembro, que coincide com a maior incidência de queimadas.

Foram coletados dados em painel com observações mensais para 141 municípios de 2011 a 2024, totalizando 23.616 observações. As variáveis geoespaciais foram obtidas via Google Earth Engine (GEE) e incluíram uso e cobertura do solo (MapBiomas), precipitação (CHIRPS), temperatura do ar, umidade do solo e velocidade do vento (ERA5-Land), e focos de queimadas (MODIS/MCD64A1). As variáveis antrópicas, como dados demográficos e agronômicos (área plantada), foram coletadas do Instituto Brasileiro de Geografia e Estatística (IBGE, 2025). Todos os dados espaciais foram agregados ao nível municipal.

Na análise exploratória, foram conduzidas análises descritivas e de tendências. Para mitigar a multicolinearidade entre as variáveis climáticas, aplicou-se a Análise de Componentes Principais (PCA), que gerou componentes ortogonais explicando 95% da variância original. O Fator de Inflação da Variância (VIF) confirmou a ausência de multicolinearidade severa no modelo final (valores < 2). Para a análise de tendências temporais, utilizou-se o teste de Mann-Kendall e o estimador de Theil-Sen para quantificar a magnitude da tendência (slope), seguindo metodologia similar à de Jasechko et al. (2024). A autocorrelação temporal foi verificada com o teste de Durbin-Watson. A associação entre tendências foi avaliada pela correlação de Spearman, e a autocorrelação espacial foi investigada pelo Índice de Moran Global e Local (LISA), utilizando a biblioteca PySAL para identificar clusters geográficos.

A modelagem econométrica dividiu os dados em treino (80%) e teste (20%). A análise partiu de um modelo de Mínimos Quadrados Ordinários (OLS) para um de Efeitos Fixos (FE). A escolha pelo modelo FE foi validada pelo Teste de Hausman (χ² = 59.61; p < 0.001), que indicou a presença de heterogeneidade não observada correlacionada com os regressores, tornando o FE mais consistente que o de Efeitos Aleatórios (RE). Para robustez, foram utilizados erros-padrão clusterizados por município, corrigindo heterocedasticidade e autocorrelação. A qualidade do ajuste foi avaliada pelo R² within e a significância dos coeficientes pelo teste t de Wald. O processamento foi realizado em Python, com as bibliotecas statsmodels, scikit-learn, linearmodels e PySAL.

A análise de tendências temporais (2011-2024) revelou que nenhum município apresentou tendência estatisticamente significativa (p < 0,05) para precipitação e velocidade do vento. A ausência de tendência na precipitação alinha-se com a literatura, que aponta elevada variabilidade interanual no estado (Machado et al., 2014). Para a velocidade do vento, a detecção de tendências requer séries temporais mais longas (Vautard et al., 2010). Em contrapartida, a temperatura média apresentou tendência de aumento em 14 municípios (slope médio de 0,036458). Metade desses municípios também registrou aumento na tendência de queimadas, sugerindo uma relação direta (Moura & Diniz, 2006).

A área plantada exibiu a tendência de crescimento mais acentuada (slope médio de 0,115962), com 121 municípios mostrando aumento significativo, refletindo a expansão da fronteira agrícola. A coincidência dessa tendência com o aumento de queimadas em 34 desses municípios sugere uma forte ligação entre expansão agrícola e uso do fogo (Machado, 2012; Braga et al., 2024). A densidade populacional também mostrou tendência de aumento generalizada. A tendência geral para as queimadas (log) foi negativa (slope médio de -0,0206), influenciada pelo pico extremo de 2020 (Alvim et al., 2024). O método de detecção de pontos de mudança (PELT) confirmou que 2023 marcou um ponto de inflexão, com redução consistente nos focos de calor a partir de 2021.

A análise de autocorrelação espacial (Índice de Moran Global) confirmou agrupamentos geográficos. A temperatura média (I = 0,285) e a área plantada (I = 0,361) apresentaram forte autocorrelação positiva. Para as queimadas, a autocorrelação global foi fraca, mas significativa (I = 0,0808). A análise de Moran Local (LISA) detalhou esses padrões, identificando 15 municípios como Hotspots (Alto-Alto), concentrados na transição entre as mesorregiões Norte e Nordeste, áreas de intensa pressão antrópica. Essas regiões representam os polos de maior risco ambiental.

Foram identificados cinco municípios como Coldspots (Baixo-Baixo), principalmente no Centro-Norte, representando áreas de resiliência. O município de Bom Jesus do Araguaia foi classificado como um outlier espacial (Baixo-Alto), com baixos níveis de queimadas apesar de estar cercado por vizinhos com alta incidência. Este caso sugere a existência de fatores locais de mitigação, como práticas de manejo eficazes ou ações institucionais, que merecem estudos para replicação. A análise espacial mapeou o risco e identificou áreas de resiliência.

A correlação de Spearman revelou associações bivariadas. As variáveis de uso do solo apresentaram as correlações mais fortes, com agropecuária (ρ = 0,942) e floresta (ρ = 0,890) mostrando associação positiva muito forte com as queimadas, confirmando que áreas agrícolas são focos de ignição e florestas são vulneráveis (Santos et al., 2017). A área plantada mostrou correlação positiva moderada (ρ = 0,443). A densidade populacional apresentou correlação negativa fraca (ρ = –0,270), sugerindo que áreas urbanizadas podem atuar como barreiras ao fogo (Lazzarini et al., 2016). As variáveis climáticas mostraram correlações mais fracas: precipitação (ρ = –0,189) e umidade do solo (ρ = –0,139) tiveram correlação negativa, enquanto temperatura (ρ = 0,205) e velocidade do vento (ρ = 0,159) tiveram correlação positiva.

O modelo final de Efeitos Fixos explicou 38,5% da variabilidade das queimadas (R² = 0,3848), com o teste F robusto (F = 68,298; p < 0,001) confirmando a significância conjunta. Os resultados reforçaram a predominância dos fatores antrópicos. A área plantada (β = 0,0896; p < 0,001) e a classe de uso do solo de agropecuária (β = 0,0067; p < 0,001) foram os principais impulsionadores das queimadas. A cada aumento de 1% na área plantada, o número de queimadas tende a aumentar em 0,09%. A densidade populacional exibiu um forte efeito protetivo (β = –1,6144; p < 0,001). A vegetação herbácea e arbustiva também se mostrou positivamente associada às queimadas (β = 0,0007; p = 0,013).

As variáveis climáticas, sintetizadas pela PCA, também foram relevantes. O primeiro componente principal (PC1), um índice de umidade-atmosfera, apresentou um coeficiente negativo e significativo (β = –0,3412; p < 0,001), indicando que condições mais úmidas reduzem a probabilidade de queimadas (Lotufo et al., 2020). O segundo componente (PC2), dominado pela temperatura, também apresentou um coeficiente negativo e significativo (β = –0,2952; p < 0,001). Essa relação inversa sugere que variações térmicas isoladas podem não ser suficientes para aumentar o risco de fogo, possivelmente devido a ações preventivas. O quarto componente (PC4) também foi significativo.

Este estudo analisou os fatores associados à ocorrência de queimadas em Mato Grosso. A análise espacial revelou clusters de alto risco (Hotspots) em áreas de expansão da fronteira agrícola no norte e nordeste, e áreas de resiliência (Coldspots) no centro-norte. O modelo de efeitos fixos confirmou o papel central dos fatores antrópicos, destacando a expansão da área plantada e da agropecuária como principais impulsionadores, enquanto a densidade populacional e condições climáticas úmidas apresentaram efeito protetivo. Os achados reforçam que a dinâmica do fogo resulta da interação entre uso do solo, ação humana e variações climáticas. Os resultados sugerem a necessidade de estratégias territorialmente direcionadas, intensificando a fiscalização nos polos de risco e usando as áreas de resiliência como modelo de governança. A integração de dados socioeconômicos e climáticos em sistemas de alerta e a promoção de práticas agrícolas sustentáveis são essenciais para mitigar a vulnerabilidade da região. Conclui-se que o objetivo foi atingido: demonstrou-se que a expansão agrícola e o uso intensivo do solo são os principais impulsionadores das queimadas em Mato Grosso, enquanto condições climáticas mais úmidas e maior densidade populacional atuam como fatores mitigadores.

Referências:
ALVARES, C. A. et al. Köppen’s climate classification map for Brazil. Meteorologische Zeitschrift, v. 22, n. 6, p. 711-728, 2013.
ALVIM, D. S. et al. Analysis of Fire Hotspot Numbers, Fire Radiative Power and Air Pollutant Concentrations in the Legal Amazonia Between 2016 and 2021. 2025.
ALVIM, D. S. et al. Spatial distribution of atmospheric pollutants and fire outbreaks in the Pantanal biome from 2016 to 2021. Anais da Academia Brasileira de Ciências, v.96, e20240174, 2024.
BERLINCK, C. N. et al. The Pantanal is on fire and only a sustainable agenda can save the largest wetland in the world. Brazilian Journal of Biology, v. 82, e244200, 2022.
BOKHWA, K.; SARKAR, S. Impact of wildfires on some greenhouse gases over continental USA: A study based on satellite data. Remote Sensing of Environment, v. 188, p. 118-126, 2017.
BRAGA, E. V. et al. Impacto das queimadas na reserva extrativista do Ciriaco. Caderno Pedagógico, v. 21, n.13, 2024.
CARVALHO-SANTOS, C. et al. Hydrological Impacts of Large Fires and Future Climate: Modeling Approach Supported by Satellite Data. Remote Sensing, v. 11, n. 23, p. 2832, 2019.
CELIS, N. et al. Climate Change, Forest Fires, and Territorial Dynamics in the Amazon Rainforest: An Integrated Analysis for Mitigation Strategies. ISPRS International Journal of Geo-Information, v. 12, n. 10, p. 436, 2023.
FAGUNDES, R. et al. Distribuição de focos de calor na bacia hidrográfica do rio Coxipó, no município de Cuiabá (Mato Grosso). Tecnologia e Ambiente, v. 28, p. 53-68, 2021.
GUTIÉRREZ, I. G. et al. Índices y modelos para la predicción de la ocurrencia de incendios forestales: una revisión para México. Revista Geográfica de América Central, (71-2), 193-219, 2023.
HERNÁNDEZ-SANTIAGO, F. et al. Índices y modelos para la predicción de la ocurrencia de incendios forestales: una revisión para México. Revista Chapingo. Serie Ciencias Forestales y del ambiente, v. 28, n. 2, p. 199-217, 2022.
IBGE (INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA). Mato Grosso — Cidades e Estados. 2025.
JASECHKO, S. et al. Rapid groundwater decline and some cases of recovery in aquifers globally. Nature, v. 625, p. 715-721, 2024.
LAZZARINI, G. M. J. et al. Análise da detecção e ocorrência de queimadas em áreas urbanizadas e entorno. Ciência e Natura, Santa Maria, v. 38, n. 3, p. 1265-1275, 2016.
LOTUFO, J. B. S. et al. Índices Espectrais e Temperatura de Superfície em Áreas Queimadas no Parque Estadual do Araguaia em Mato Grosso. Revista Brasileira de Geografia Física, v. 13, n. 02, p. 648-663, 2020.
PIMENTEL-RODRIGUES, C. et al. Impact of Urban Fires in Drainage Systems: an Experimental Case Study. WSEAS Transactions on Environment and Development, v. 17, p. 126-135, 2021.
PRIOR, T.; ERIKSEN, C. Wildfire preparedness, community cohesion and social–ecological systems. Global Environmental Change, v. 23, n. 6, p. 1575-1586, 2013.
RODRIGUES, E. L. et al. Wildfires and their impact on the water supply of a large neotropical metropolis: A simulation approach. Science of The Total Environment, v. 651, p. 1261-1271, 2019.
SANTOS, T. O. et al. Os impactos do desmatamento e queimadas de origem antrópica sobre o clima da Amazônia brasileira: um estudo de revisão. Revista Geográfica Acadêmica, v. 11, n. 2, p. 157-181, 2017.
TEIXEIRA, N. C. et al. Dinâmica de Queimadas no Município de Cuiabá –MT por Sensoriamento Remoto. Revista Brasileira de Geografia Física, v. 14, n. 02, p. 607-618, 2021.

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:}