A natureza sustenta o nosso clima, as nossas economias e as nossas próprias vidas. E dentro da natureza, as florestas permanecem como um dos pilares mais poderosos — armazenar carbono, regular as chuvas, mitigar inundações e abrigar a maior parte da biodiversidade terrestre do planeta.

No entanto, apesar da sua importância crítica, o mundo continua a perder florestas a um ritmo alarmante. Só no ano passado, perdemos o equivalente a 18 campos de futebol de floresta tropical a cada minuto, totalizando 6,7 milhões de hectares – um recorde e o dobro da quantidade perdido no ano anterior. Hoje, a conversão de habitat é a maior ameaça à biodiversidade em terra.

Durante anos, os dados de satélite têm sido a nossa ferramenta essencial para medir esta perda. Mais recentemente, em colaboração com o Instituto de Recursos Mundiaisajudamos a mapear o subjacente motoristas dessa perda — desde a agricultura e a exploração madeireira até à mineração e aos incêndios — durante os anos 2000-2024. Esses mapas, que têm uma extensão sem precedentes de 1 km² resolução, fornecem uma base para uma ampla gama de medidas de proteção florestal. No entanto, esses insights, por mais críticos que sejam, apenas olham para trás. Agora é hora de olhar para frente.

Temos o prazer de anunciar o lançamento de “ForestCast: Previsão de risco de desmatamento em escala com aprendizado profundo”, juntamente com o primeiro disponível publicamente conjunto de dados de referência dedicado ao treinamento de modelos de aprendizagem profunda para prever o risco de desmatamento. Esta mudança da mera monitorização do que já aconteceu para a previsão do que está em risco no futuro muda o jogo. As abordagens anteriores ao risco dependiam da montagem de mapas de dados disponíveis de forma irregular, como estradas e densidade populacional, que podem rapidamente ficar desatualizados. Por outro lado, desenvolvemos uma abordagem eficiente baseada em dados puros de satélite que pode ser aplicada de forma consistente, em qualquer região, e pode ser prontamente atualizada no futuro, quando mais dados estiverem disponíveis. Descobrimos que esta abordagem poderia igualar ou exceder a precisão das abordagens anteriores. Para garantir que a comunidade possa reproduzir e desenvolver nosso trabalho, estamos divulgando todos os dados de entrada, treinamento e avaliação como um conjunto de dados de referência público.