Resumo: Modelos preditivos espaciais simulam a alteração dos atributos ambientais, compreendendo assim os mecanismos causais e dinâmica de sistemas ecológicos (Soares-Filho et al., 2006). Esses modelos e métodos podem diagnosticar e antecipar o desenvolvimento de ambientes criados pelo homem apoiando tomadores de decisão, pesquisadores e planejadores para proteger a natureza ecossistemas (Alnsour, 2016; Gant et al., 2011; de Mello-They et al., 2010). O Projeto de Mapeamento Anual Brasileiro (MapBiomas) conta com a plataforma Google Earth Engine (GEE) e gera as séries temporais anuais de uso e cobertura da terra no Brasil. Todo o processo é baseado em algoritmos de aprendizado de máquina que fornecem produtos altamente confiáveis para toda a extensão territorial do país de forma gratuita e acessível (Souza Junior & Azevedo, 2017). Como o território brasileiro é vasto, a disponibilidade anual de bases de dados espaciais de LULC torna-se uma oportunidade valiosa de gerar cenários futuros para planos de bacias hidrográficas, monitoramento de unidades de conservação ou qualquer outro plano. Neste contexto, o presente estudo implementa um modelo baseado em AC usando séries de dados do MapBiomas como entrada para desenvolver cenários futuros de LULC com foco nos impulsionadores da atividade humana em uma bacia hidrográfica de 6.700 km2. A concepção geral dos procedimentos de modelagem inclui três etapas: (i) o pré-processamento prepara os dados brutos da coleção do MapBiomas para serem usados como entrada no modelo. (ii) a calibração estabelece as variáveis e verifica a influência de cada uma delas no LULC da região, de acordo com a precisão entre o mapa simulado e o mapa bruto. Esta etapa também considera fatores relacionados a série histórica de uso e cobertura do solo, análise espacial e conhecimento de campo. Feito isso, o modelo de transição é definido e calibrado. Após determinar o peso de cada variável no modelo, (iii) a validação utiliza o método de comparação Kappa entre os produtos simulados e os do projeto MapBiomas para verificar a distribuição espacial da concordância. Todas as séries históricas (de 1985 a 2018) são reclassificadas em GEE para posteriores insumos em um algoritmo de modelo CA desenvolvido no pacote R. O principal desafio é explicar estas regras de transição com base na influência do bairro. Neste estudo, as variáveis explicativas escolhidas poderiam ser aplicadas em outras regiões porque são frequentemente fatores de mudança de LULC. Após calibração do modelo, foram simulados mapas de uso da terra para cenários futuros (2019 a 2045). Os resultados estimam uma redução de 737 km² de cobertura natural do solo. A distribuição espacial de a interferência antrópica previu uma degradação mais significativa na região central da bacia. Este fato pode ser potencialmente atribuído ao aumento da disponibilidade hídrica a partir do desvio do Rio São Francisco. É possível identificar uma tendência ascendente de ações antrópicas no semiárido. O modelo ajuda LULC em grande escala na modelagem baseada em produtos RS e amplia as possibilidades de modelagem hidrológica, urbana e social no contexto brasileiro.
