The scientific grasp of the distribution and dynamics of land use and land cover (LULC) changes in South America is still limited. This is especially true for the continent’s hyperarid, arid, semiarid, and dry subhumid zones, collectively known as drylands, which are under-represented ecosystems that are highly threatened by climate change and human activity. Maps of LULC in drylands are, thus, essential in order to investigate their vulnerability to both natural and anthropogenic impacts. This paper comprehensively reviewed existing mapping initiatives of South America’s drylands to discuss the main knowledge gaps, as well as central methodological trends and challenges, for advancing our understanding of LULC dynamics in these fragile ecosystems. Our review centered on five essential aspects of remote-sensing-based LULC mapping: scale, datasets, classification techniques, number of classes (legends), and validation protocols. The results indicated that the Landsat sensor dataset was the most frequently used, followed by AVHRR and MODIS, and no studies used recently available high-resolution satellite sensors. Machine learning algorithms emerged as a broadly employed methodology for land cover classification in South America. Still, such advancement in classification methods did not yet reflect in the upsurge of detailed mapping of dryland vegetation types and functional groups. Among the 23 mapping initiatives, the number of LULC classes in their respective legends varied from 6 to 39, with 1 to 14 classes representing drylands. Validation protocols included fieldwork and automatic processes with sampling strategies ranging from solely random to stratified approaches. Finally, we discussed the opportunities and challenges for advancing research on desertification, climate change, fire mapping, and the resilience of dryland populations. By and large, multi-level studies for dryland vegetation mapping are still lacking.

O bioma Caatinga representa cerca de 10% do território nacional e tem uma população estimada em 28 milhões de habitantes. Sua vegetação arbóreo-arbustiva, adaptada às condições de semiaridez, exerce um papel fundamental na manutenção do balanço hidrológico, na alimentação da matriz energética e na geração de receitas para o país. No entanto, o bioma ainda é um dos que recebe menor atenção da comunidade científica. Diante disso, o presente artigo de revisão visa apresentar elementos que contribuam para a atualização do estado da arte sobre o uso de dados ópticos de observação da Terra na conservação da vegetação da Caatinga, a partir da identificação das iniciativas de mapeamento em diferentes escalas que contemplam o bioma. Para tal, esse estudo fez uma revisão bibliográfica sistemática cujo enfoque principal foi a caracterização dos sensores orbitais imageadores, técnicas de classificação de imagem, legendas de uso e cobertura, estratégias de validação, e o intervalo temporal compreendido por cada iniciativa. Esse detalhamento permitiu avaliar o grau de usabilidade e confiabilidade dos produtos existentes. Assim, esse estudo espera abrir possibilidades para preencher lacunas científicas existentes e que carecem de investigação no que diz respeito ao papel dos dados ópticos de observação da Terra no mapeamento da vegetação da Caatinga e no subsídio de recursos para novas iniciativas, ações de restauração e, consequentemente, aprimoramento de políticas públicas em prol da conservação e uso sustentável dos recursos do bioma.

O Cerrado é o segundo maior bioma brasileiro, sendo reconhecido como a savana mais biodiversa do mundo. Após 1970, as dinâmicas de uso e cobertura da terra do bioma têm sido marcadas por atividades agropecuárias extensivas, resultando em taxas de desmatamento historicamente superiores às do bioma Amazônia. Esse cenário reforça a necessidade de investigar a metodologia das iniciativas de mapeamento da vegetação do Cerrado, a fim de identificar as lacunas e desafios ainda existentes para o avanço científico do conhecimento no âmbito do Sensoriamento Remoto (SR). Para tal, o presente artigo de revisão identificou 15 iniciativas que mapearam a vegetação do bioma em diferentes escalas, períodos e níveis de detalhamento de legenda. O primeiro foi o projeto Radam/RadamBrasil, ainda na década de 1970. No entanto, foi a partir dos anos 2000 que o Cerrado começou a ter mais visibilidade, com o surgimento de iniciativas maiores e mais direcionadas para o bioma (PROBIO, Conservação Internacional). Recentemente, novas iniciativas (MapBiomas, PRODES) têm se destacado por incorporarem metodologias diferenciadas que acompanharam a evolução computacional das técnicas de Sensoriamento Remoto. O levantamento realizado neste artigo identificou que a discriminação dos diferentes tipos de cobertura vegetal do bioma ainda é um dos principais desafios a serem vencidos, principalmente em relação às fitofisionomias não florestais, além de classes de uso espectralmente semelhantes, como a pastagem. Este trabalho visa agregar detalhes das principais iniciativas de mapeamento da vegetação do Cerrado, suas metodologias, desafios encontrados, tais como a dificuldade de discriminação de seus tipos de vegetação e maiores discussões e promessas futuras no campo do SR.

O Mapeamento Anual da Cobertura e Uso do Solo no Brasil - MapBiomas - é um projeto voltado para a classificação da cobertura da terra em imagens dos satélites da série Landsat. Em sua coleção 2, que envolve classificações geradas de 2000 a 2016, o MapBiomas utilizou, de 2013 em diante, imagens do Landsat-8 em reflectância no topo da atmosfera (TOA). As classificações foram geradas baseadas em uma árvore de decisão definida empiricamente pela equipe do projeto. No entanto, é importante verificar como as classificações se comportam após correção atmosférica pelos algoritmos Fast Line-of-sight Atmospheric Analysis of Hypercubes (FLAASH) e Quick Atmosphere Correction (QUAC). Assim, a partir da seleção da carta topográfica SD-23-X-D (Bom Jesus da Lapa - BA), as classificações foram geradas pelo Code Editor do Google Earth Engine, plataforma de processamento de imagens de satélite em nuvem, que permite a interpretação e análise de uma ampla gama de informações. Em seguida, foi feita uma avaliação da acurácia à fi m de identificar o dado que melhor representou as classes mapeadas. O dado em reflectância TOA e os dados corrigidos pelo FLAASH e QUAC, apresentaram, respectivamente, valores do Tau de 55,45%, 68,90% e 64,89%, Kappa de 48,28%, 64,60% e 61,55%, e, exatidão global de 62,88%, 74,09% e 70,74%. Ao final, concluiu-se que a correção atmosférica impactou positivamente a classificação da cobertura da terra da carta SD-23-X-D. A diferença de aproximadamente 4% a menos do QUAC em relação ao FLAASH, torna-o mais apropriado, dada sua menor complexidade e maior rapidez no tempo de processamento.