摘要：Resumo O fogo é um dos principais causadores de degradação nos ecossistemas Amazônicos, sendo amplamente utilizado para o manejo e transformação da cobertura da terra em diferentes usos. A sua utilização indiscriminada torna os ambientes afetados mais vulneráveis a impactos climáticos e antrópicos. Durante a queima, a combustão do material orgânico libera o gás dióxido de carbono (CO 2 ), principal responsável pelo efeito estufa. Embora o seu controle seja de extrema relevância, há muitas incertezas associadas às ferramentas de detecção e mapeamento de áreas queimadas por meio de sensoriamento remoto. Uma das mais difundidas abordagens utilizadas para o mapeamento de queimadas na Amazônia Brasileira é o Modelo Linear de Mistura Espectral (MLME), baseado na resposta espectral de alvos puros. Este trabalho analisou o desempenho da integração do algoritmo Fmask aplicado ao MLME, uma vez que o algoritmo Fmask pode refinar os dados gerados pelo MLME. Foram testadas imagens do sensor Operational Land Imager (OLI - Landsat 8) e do sensor Multispectral Instrument (MSI - Sentinel-2A) em coberturas de Floresta e Não Floresta para subsidiar a detecção de áreas queimadas. A área de estudo está localizada no sul do estado do Pará, no bioma Amazônia. Os resultados apresentaram uma exatidão global acima de 99% para o mapeamento gerado a partir do refinamento dos dados do MLME pelo Fmask em ambos os sensores. A acurácia do produtor foi acima de 97%, enquanto que a acurácia do usuário foi entre 77,54% e 95%. O resultado do índice Kappa no mapeamento via Fmask na imagem do sensor OLI para áreas de cobertura de Floresta e Não Floresta foi de 0,93, e 0,97, respectivamente. Para o sensor MSI, os resultados do índice Kappa para as duas classes foram 0,87 e 0,88, respectivamente. A integração do algoritmo Fmask ao MLME possibilitou diminuir o tempo de processamento dos dados com alta acurácia nos resultados finais. Esta abordagem se apresenta como uma potencial ferramenta de automatização do refinamento do mapeamento de áreas queimadas na Amazônia Brasileira podendo ser aplicada inclusive em uma perspectiva de multi-sensores.
