Você está na página 1de 116

UNIVERSIDADE FEDERAL DO RIO DE JANEIRO

CENTRO DE CIÊNCIAS DA SAÚDE

INSTITUTO DE BIOLOGIA

PROGRAMA DE PÓS-GRADUAÇÃO EM ECOLOGIA

Áreas prioritárias para a conservação das aves


endêmicas da Mata Atlântica em cenários de
mudanças climáticas

THIAGO VIEIRA DE SOUZA

RIO DE JANEIRO, RJ - BRASIL

FEVEREIRO DE 2015
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO

CENTRO DE CIÊNCIAS DA SAÚDE

INSTITUTO DE BIOLOGIA

PROGRAMA DE PÓS-GRADUAÇÃO EM ECOLOGIA

Áreas prioritárias para a conservação das aves


endêmicas da Mata Atlântica em cenários de
mudanças climáticas

THIAGO VIEIRA DE SOUZA

Dissertação apresentada ao Programa de


Pós-Graduação em Ecologia da
Universidade Federal do Rio de Janeiro,
como parte dos requisitos necessários à
obtenção do título de Mestre em Ciências
Biológicas (Ecologia).

Orientadora: Mariana Moncassim Vale

Co-orientadora: Maria Lucia Lorini

RIO DE JANEIRO, RJ - BRASIL

FEVEREIRO DE 2015
AGRADECIMENTOS
Agradeço muito às pessoas que me apoiam desde a época em que resolvi ingressar
na faculdade. Agradeço aos meus pais Souza e Ana, por me apoiarem e incentivarem em
todos os momentos, e por estarem sempre torcendo. Em todas as etapas sempre estiveram
ao meu lado e me deram todo apoio e condições. Acima de tudo, agradeço pela educação
e criação que recebi. Agradeço também a toda minha família por todo amor e apoio: o
meu irmão Bruno, as minhas avós e avôs e todos meus tios e a toda a primarada.
À minha orientadora Mariana M. Vale, por todos esses anos de convívio, pela
oportunidade, pelos grandes ensinamentos, pela grande paciência, ajuda, apoio,
dedicação, compreensão, boas ideias e por toda a base de dados. É a grande responsável
e causadora do presente trabalho, nunca faltou de sua parte orientação e tempo. Sou muito
grato por tudo que fez, continua fazendo e é a pessoa que mais tenho a agradecer no
decorrer desses anos.
À minha co-orientadora Maria Lucia Lorini, fundamental durante esses anos, por
toda a atenção e ajuda na produção do trabalho, na área de modelagem, na compilação de
registro das espécies dentre outros assuntos. Com todo o apoio, ajuda e paciência com os
mais diversos problemas e dúvidas. Sem a sua colaboração não seria possível esse
trabalho.
Agradeço a todo o Laboratório de Vertebrados da UFRJ, com os professores Rui
Cerqueira, Marcus Vinícius Vieira, Carlos Eduardo Grelle e Mariana Vale que me deram
todo o suporte necessário para o desenvolvimento deste trabalho. Também agradeço a
todos os outros labvertinos, pelos seminários, reuniões, conversas, cervejas e por todas as
dúvidas resolvidas e sugestões: Daniel Tavares, Bruno Carvalho, Tamires Marques, Alan
Braz, Luíza Gondim, Guilherme Dantas, Tiago Souto, Renato Crouzeilles, Marcelo
Weber, Brenda Alexandre, Mariana Ferreira, Manoel Muanis, Mauricio Almeida, Marcos
Figueiredo, Diogo Loretto, Leonardo Oliveira, Jayme Prevedello, Jose Mello, Beatriz
Lemos, Victor Pimentel e tantos outros. Ao Bruno agradeço por toda a ajuda e atenção,
principalmente no momento inicial do obscuro e temperamental ModEco, a todas
produtivas e esclarecedoras conversas. Ao Guilherme Dantas pela ajuda e atenção no
diversos problemas encontrados e resolvidos no SIG. Ao Daniel por todos os debates,
sugestões e críticas em diversos assuntos e questões.
Agradeço ao Programa de Pós Graduação em Ecologia da UFRJ e todo o seu corpo
docente, pelo aprendizado e acolhimento em aulas e palestras. Aos professores Eduardo

iii
Arcoverde, Paulo Paiva, Carlos Grelle, Jean Valentin, Reinaldo Bozelli, Vinícius Farjalla,
e tanto outros. À Marcia Renault, por toda a atenção aos problemas resolvidos junto ao
PPGE, por sua extrema boa vontade em ajudar, responder e resolver diversas questões
relacionadas ao programa. Ao Carlos Grelle e Darcilio Baptista no comitê de
acompanhamento. Ao coordenador Carlos Grelle, por toda sua atenção na resoluções das
questões do programa, em todos suas conversas e proveitosos debates no dia a dia, em
todo auxílio e participação do trabalho. Aos amigos do PPGE pelas risadas, cervejas,
conversas e debates, Carlos Barboza, Fausto Machado, Bruno Cid, Victor e tantos outros.
Gostaria de agradecer especialmente a dois amigos que contribuíram diretamente
para essa dissertação. Gustavo Mattos por toda a ajuda no R, por desvendar e facilitar a
diversas questões, minimizando trabalho e diversos problemas e ao Renato Crouzeilles
por toda a ajuda, no planejamento sistemático, totalmente desconhecido para mim, e
mesmo na Austrália tendo toda a paciência em ajudar, recebendo e enviando mensagens
a qualquer hora, e diversas outras soluções, revisões e sugestões crucias no trabalho.
Muito obrigado por todas as conversas sobre ecologia, SDM, R, planejamento
sistemático, etc. Obrigado pelas diversas dicas, revisões e sugestões.
Agradeço ao Vinícius Farjalla pela realização da pré-banca em uma época
complicada, pela revisão e por todas as valiosas sugestões. Ao Henrique Rajão, Clinton
Jenkins, Marinez Siqueira e Carlos E. Grelle agradeço pelo aceite e participação na banca,
seja como membro ou suplente.
Aos amigos de sempre, não poderia deixar de agradecer por todo o convívio e apoio,
por todas as viagens e barzinhos passados juntos, ao Feliz, Thiago Serrano, Marcos
Bouças, Júlio Junior, Leonardo Souza, Jessica Beck, Ferinha, Vanessinha e tantos outros,
por toda a ajuda e a amizade e companheirismo, por todos os momentos de alegrias,
problemas e pelos divertidos dias proporcionados. Ao Sergio, Ana, Gilberto e Rafael
pelas conversas e pelo o campo que surgiu. Aos meus bons e velhos amigos Waguinho,
Raul, Marcio e aos meus primos e grandes amigos Vagner, Cris, Lu, Marquinho, Ana
Paula, Victor e Jamile.
E agradeço muito a Paty, por todo os bons momentos compartilhados. Não tenho
palavras para expressar a gratidão e carinho que sinto por você. Muito obrigado pelo
companheirismo, pelas boas risadas, pelas conversas e o apoio de sempre. A sua presença
foi muito importante nesse período.
E a todos aqueles que, de certa forma contribuíram direta ou indiretamente para que
este projeto fosse realizado. Muito Obrigado !!!

iv
SUMÁRIO
RESUMO ...................................................................................................................................... viii
ABSTRACT ...................................................................................................................................... x
1. INTRODUÇÃO ........................................................................................................................ 1
1.1 Mudanças Climáticas e Biodiversidade ......................................................................... 1
1.2 Planejamento Sistemático para Conservação ............................................................... 4
2. OBJETIVOS ............................................................................................................................. 6
3. MATERIAL E MÉTODOS ......................................................................................................... 7
3.1 Modelagem de Distribuição .......................................................................................... 7
3.1.1 Bancos de dados de ocorrência e de dados ambientais ....................................... 8
3.1.2 Algoritmos ............................................................................................................. 9
3.1.3 Avaliações dos modelos ...................................................................................... 11
3.1.4 Processamento dos mapas.................................................................................. 13
3.2 Planejamento Sistemático para Conservação ............................................................. 15
3.2.1 Dados e unidades de planejamento .................................................................... 15
3.2.2 Tabelas de prioridades de custos ........................................................................ 16
3.2.3 Parametrização do MARXAN ............................................................................... 19
4. RESULTADOS ....................................................................................................................... 20
4.1 Resultados da Modelagem de Distribuição................................................................. 20
4.1.1 Desempenho dos modelos .................................................................................. 20
4.1.2 Distribuição das aves em cenário de mudanças climáticas ................................ 21
4.2 Resultados do Planejamento Sistemático para Conservação ..................................... 24
4.3 Comparação entre rede atual e planejada de unidades de conservação ................... 34
5. DISCUSSÃO .............................................................................................................................. 38
6. CONCLUSÃO ............................................................................................................................ 47
7. REFERÊNCIAS ........................................................................................................................... 48

v
LISTA DE FIGURAS
Figura 1: Distribuição dos limites da Mata Atlântica .................................................................. 14
Figura 2: Munícipios e Unidades de Conservação de Proteção Integral e RPPN na Mata
Atlântica. ..................................................................................................................................... 17
Figura 3: Status Global de Conservação da IUCN em relação à quantidade de espécies
analisadas .................................................................................................................................... 18
Figura 4: Diferença entre a área de distribuição atual e a área de distribuição no futuro ......... 22
Figura 5: Riqueza de aves endêmicas da Mata Atlântica ............................................................ 24
Figura 6: Diferença na riqueza de espécies de aves no presente no futuro ............................... 24
Figura 7: Municípios selecionados para a conservação de aves endêmicas da Mata Atlântica, sem
utilizar o BLM .............................................................................................................................. 25
Figura 8: Municípios prioritários para a conservação de aves endêmicas da Mata Atlântica, sem
utilizar o BLM .............................................................................................................................. 26
Figura 9 : Frequencia de seleção dos municípios para a conservação de aves endêmicas da Mata
Atlântica, sem utilizar o BLM....................................................................................................... 27
Figura 10: Municípios selecionados para a conservação de Aves endêmicas da Mata Atlântica,
com BLM = 1 ................................................................................................................................ 28
Figura 11: Municípios prioritários para a conservação de Aves endêmicas da Mata Atlântica, com
BLM = 1........................................................................................................................................ 29
Figura 12 : Frequencia de seleção dos municípios para a conservação de aves endêmicas da Mata
Atlântica, , com BLM = 1.............................................................................................................. 30
Figura 13: Municípios selecionados para a conservação de Aves endêmicas da Mata Atlântica,
com BLM = 2 ................................................................................................................................ 31
Figura 14: Municípios prioritários para a conservação de Aves endêmicas da Mata Atlântica, com
BLM = 2........................................................................................................................................ 31
Figura 15: Frequencia de seleção dos municípios para a conservação de aves endêmicas da Mata
Atlântica, , com BLM = 2.............................................................................................................. 32
Figura 16: Municípios selecionados tanto no presente quanto no cenário de mudanças
climáticas ..................................................................................................................................... 33
Figura 17: Municípios insubstituíveis tanto no presente quanto no cenário de mudanças
climáticas ..................................................................................................................................... 34
Figura 18: Municípios selecionados no presente e as unidades de conservação ....................... 36
Figura 19: Municípios selecionados em cenário de mudanças climáticas e as unidades de
conservação ................................................................................................................................ 37

vi
LISTA DE TABELAS
Tabela 1: Exemplo de matriz de confusão para avaliar o desempenho dos modelos ................ 12
Tabela 2: Desempenho dos modelos de distribuição das espécies ............................................ 21
Tabela 3: Municípios selecionados nos diferentes cortes temporais, utilizando diferentes valores
de BLM. ....................................................................................................................................... 26
Tabela 4: Municípios selecionados apenas em um dos cortes temporais. ................................. 34

ANEXOS
Anexo 1: Resultados das análises para as 155 aves endêmicas da Mata Atlântica .................... 57
Anexo 2: Resultados dos municipios selecionados sem o uso da opção BLM. ........................... 69
Anexo 3: Resultados das UCs analisadas com os municipios selecionados. ............................... 86

vii
RESUMO

O aquecimento global tem acarretado sérias consequências para a biodiversidade,


com mudanças de distribuição e abundância das espécies já documentadas. O
conhecimento dos possíveis impactos das mudanças climáticas sobre a biodiversidade
tropical, no entanto, ainda é escasso. Devido à sua alta riqueza e endemismo de espécies,
aliada a altas taxas de desmatamento, a Mata Atlântica está entre os biomas mais
prioritários para conservação do planeta. Uma estratégia fundamental na conservação da
biodiversidade é o estabelecimento de áreas protegidas. Áreas protegidas eficientes são
aquelas capazes de representar a biodiversidade da região de interesse. Neste sentido, este
estudo avalia a eficiência das unidades de conservação na representação da diversidade
de 155 Aves endêmicas da Mata Atlântica hoje e em cenários futuros de mudanças
climáticas, identificando áreas prioritárias para a conservação dessas espécies no futuro.
Para tanto, o estudo combina modelagem de distribuição das espécies e planejamento
sistemático de conservação. O estudo foi realizado nas seguintes etapas: i) compilação de
registros de ocorrência das espécies e camadas de dados ambientais atuais no cenário A2a
de emissão de gases de efeito estufa para 2050 e 2080, segundo o modelo de circulação
geral HadCM3 ; ii) modelagem de distribuição atual e em cenários de mudanças
climáticas utilizando cinco algoritmos (Bioclim, Domain, SVM, GLM e MaxEnt); iii)
avaliação dos modelos; iv) compilação e organização de dados para a seleção de áreas
prioritárias para a conservação das espécies no presente e no futuro em 2050; v) seleção
de áreas prioritárias utilizado o princípio de complementaridade no software MARXAN,
usando munícipios como unidade de planejamento. Os modelos de distribuição das
espécies apresentaram bom desempenho, com valores médios de TSS satisfatórios. Para
a vasta maioria das espécies há previsão de perda de área de distribuição e deslocamento
da distribuição em direção ao sul no futuro. Para 2050 as previsões indicam uma redução
média estimada de ca. 29.500 km², com distribuições no futuro que equivalem, em média,
a 53% da distribuição original das espécies. Para 2080 a situação se agrava, com uma
redução média estimada de ca. 36.500 km² e distribuições futuras que equivalem a 64%
da área original. Para algumas espécies, inclusive, os modelos apontam para uma perda
completa de área de distribuição sob mudanças climáticas. Com isso, as regiões da Mata
Atlântica que hoje apresentam a maior riqueza de espécies são muito reduzidas em
cenários futuros, com exceção de uma pequena área no sul da Mata Atlântica. O
planejamento sistemático de conservação gerou soluções finais que contemplam todas as

viii
espécies, de acordo com a meta estabelecida, nos dois cortes temporais analisados
(presente e 2050). Na solução mais eficiente (menos custosa) foram selecionados 321
municípios no presente e 309 municípios em cenário de mudanças climáticas,
pulverizados em toda a extensão da Mata Atlântica, mas sobretudo no sul da Bahia e no
Sul de Santa Catarina. A utilização de uma função para agrupar unidades de planejamento
mais próximas (Boundary Length Modifier) gerou soluções muito custosas, mas que
apontam grandes áreas relevantes para conservação das espécies alvo tanto no presente
quanto em cenário de mudanças climáticas: uma região do sul de Pernambuco ao norte
de Alagoas; uma região do sul da Bahia ao nordeste de Minas Gerais; a região da serra
da Bocaina, do sul do Rio de Janeiro ao norte de São Paulo; uma região no sul do litoral
de São Paulo; e a região de divisa no sul de Santa Catarina e norte do Rio Grande do Sul.
Em todas as soluções um pequeno conjunto de municípios, sobretudo na região da Serra
do Mar, foi repetidamente selecionado. Um número muito reduzido de municípios
selecionados como prioritários, no entanto, tem unidades de conservação. Concluímos
que a rede atual de Unidades de Conservação não protege adequadamente as aves
endêmicas da Mata Atlântica nem hoje, nem em cenários futuros de mudanças climáticas.
Recomendamos que alguns municípios selecionados na presente estudo sejam priorizados
para o estabelecimento de novas Unidades de Conservação, pois são prioritários tanto no
presente como em cenários futuros de mudanças climáticas.

ix
ABSTRACT

Global warming has caused serious consequences for biodiversity, with changes in
distribution and abundance of species already documented. Knowledge of the possible
impacts of climate change on tropical biodiversity, however, is still scarce, despite its
great importance. Due to its high species richness and endemism, combined with high
rates of deforestation, the Atlantic Forest is among the most priority biomes for
conservation in the Planet. A key strategy in biodiversity conservation is the
establishment of protected areas. Efficient protected areas are those can representing the
biodiversity of species in the region of interest. Thus, this study assesses the effectiveness
of protected areas in the representation of the diversity of 155 endemic birds of the
Atlantic Forest, today and in future climate change scenarios, identifying priority areas
for the conservation of these species in the future. In order to do so, the study combines
species distributions modeling and systematic conservation planning. The study was
conducted in the following steps: i) compilation of species occurrence records, and
current and environmental data layers under the A2a scenario of greenhouse gases for
2050 and 2080, following the HadCM3 general circulation model; ii) modeling of current
and future species distribution using five algorithms (BIOCLIM, Domain, SVM, GLM
and MaxEnt); iii) evaluation of models; iv) compilation and organization of data for the
selection of priority areas for conservation of the species in the present and in the future
in 2050; v) selection of priority areas using the complementarity principle in MARXAN
software, using municipalities as a planning unit. The species distribution models
performed well, with satisfactory average TSS values. For the vast majority of species,
the loss distribution area with shifts in the distribution towards the south is predicted in
the future. In 2050, the analysis indicate an average estimated reduction of ca. 29,500
km², with distributions in the future which amount on average to 53% of the original
species distribution. In 2080 the situation worsens, with an estimated average reduction
of ca. 36,500 km² and future distributions which amount on average to 64% of the original
area. For some species, furthermore, the models point to a complete loss of distribution
area in future climate change scenarios. Thus, the regions of the Atlantic Forest, that
currently have the highest species richness are greatly reduced in future scenarios, except
for a small area in the south of the Atlantic. The systematic conservation planning created
final solutions that include all species, according to the target set in the two periods
analyzed (present and 2050). The most efficient (least expensive) solution selected 321

x
municipalities in the present, and 309 municipalities in climate change scenario, sprayed
throughout the entire Atlantic Forest, but especially in the south of Bahia and southern
Santa Catarina states. The use of a function to group closer planning units (Boundary
Length Modifier) generated very expensive solutions, but that reveal large areas that are
relevant to the conservation of target species, both in the present and in climate change
scenario: a region from southern of Pernambuco to north of Alagoas states; a region from
southern Bahia to northeast Minas Gerais states; the region of the Bocaina mountain
range, south of Rio de Janeiro to the north of Sao Paulo state; a region in the southern
coast of São Paulo; and the region on the border between southern Santa Catarina and
northern Rio Grande do Sul states. In all solutions a small group of municipalities,
especially in the region of Serra do Mar, was repeatedly selected. A very limited number
of municipalities selected as priority, however, has protected areas. We conclude that the
current network of protected areas does not adequately protect the birds endemic to the
Atlantic Forest, neither today nor in future climate change scenarios. We recommend that
some municipalities selected in the present study be prioritized for the establishment of
new protected areas, because they are a priority both at present and in future scenarios of
climate change.

xi
1. INTRODUÇÃO

1.1 Mudanças Climáticas e Biodiversidade


Com a divulgação dos resultados dos últimos relatórios do IPCC e com o acúmulo
de evidências empíricas de mudanças climáticas, o aquecimento global tornou-se um
tema de relevância mundial. O último relatório do Painel Intergovernamental de
Mudanças Climáticas da ONU (IPCC, 2013) revela que as mudanças climáticas têm
acelerado a partir de previsões anteriores, que a influência humana no processo é clara e
suas consequências já estão sendo sentidas. Caso as emissões de gases do efeito estufa
continuem crescendo às atuais taxas ao longo dos próximos anos, o IPCC prevê que a
temperatura média do planeta poderá aumentar até 4,8°C ainda neste século e o aumento
do nível do mar pode chegar a mais de 80 cm, podendo causar importantes danos na
maioria das regiões costeiras do planeta (IPCC, 2013). Em caráter nacional, de acordo
com o primeiro Relatório de Avaliação Nacional do Painel Brasileiro de Mudanças
Climáticas (PBMC, 2013), preparado nos mesmos moldes dos relatórios publicados do
IPCC, até 2100 o Brasil poderá sofrer um aquecimento de até 6°C.
Há fortes evidências de que as mudanças climáticas ao longo do século XX já
causaram impactos sobre a biodiversidade do planeta, incluindo alterações na distribuição
das espécies, na fenologia e no aumento do risco de extinção (ver Vale et al., 2009 para
uma revisão). Uma premissa central da biogeografia é que o clima exerce um controle
dominante sobre a distribuição natural das espécies (Cerqueira, 1995). Os indícios
passados e as tendências observadas recentemente mostram que as mudanças climáticas
têm uma profunda influência sobre a expansão e a contração da distribuição das espécies
(Pearson & Dawson, 2003). Assim, as alterações climáticas ao longo dos últimos 30 anos
têm produzido numerosas mudanças na distribuição e abundância de espécies e têm sido
implicadas na extinção de espécies (Thomas et al., 2004). Porém, os prováveis efeitos das
mudanças climáticas sobre a distribuição futura das espécies ainda são pouco conhecidos.
Os efeitos sobre a fauna ou comunidade são quase totalmente inexplorados (Peterson et
al., 2002), em parte porque as respostas das espécies são difíceis de prever
individualmente, e a heterogeneidade é uma característica dominante nessas respostas
(Moritz & Agudo, 2013).

1
A sensibilidade das espécies a mudanças climáticas recentes e passadas levanta a
possibilidade de que as mudanças climáticas provocadas por ações humanas poderiam
atuar como uma das principais causas de extinção no futuro próximo (Thomas et al.,
2004). De um modo geral, as espécies podem responder às rápidas mudanças climáticas
por aclimatação/adaptação, mudança de distribuição, ou extinção (Holt 1990). As
espécies podem manter sua distribuição original relativamente inalterada em cenários de
mudanças climáticas, através de aclimatação dos indivíduos (se for uma espécie com
grande plasticidade fenotípica), ou através de adaptação das suas populações (por seleção
natural) ao novo clima. Alternativamente, a espécie poderá fazer ajustes na sua
distribuição, acompanhando ao longo do tempo o deslocamento do clima em que
normalmente é encontrada (climate tracking), desde que apresente habilidade de
dispersão e o clima mude gradativamente. Contudo, se a espécie não apresentar
habilidade de aclimatação, adaptação ou dispersão, é provável que ocorra extinção (Vale
et al., 2009).
As respostas ecológicas de dispersão, como a redistribuição geográfica para
acomodar as mudanças climáticas, não são triviais (Vale et al., 2009). Thomas et al.
(2004) previram em um estudo utilizando projeções de redistribuição de espécies, com
um cenário de um clima futuro que cobria cerca de 20% da superfície terrestre do planeta,
que entre 15 a 37% das espécies estudadas deverão estar ameaçadas de extinção até 2050.
Com a clara possibilidade de sérios impactos das alterações climáticas sobre a
biodiversidade, o conhecimento da associação entre as mudanças climáticas com a
biodiversidade se tornou uma demanda importante, especialmente em regiões tropicais,
que abrigam a maior parte da diversidade biológica da Terra. Dentro deste contexto, Vale
et al. (2009) destacam que os estudos sobre possíveis consequências das mudanças
climáticas globais sobre a biodiversidade Neotropical, ainda são escassos, apesar da
grande relevância biológica dessa região.
Um bioma de grande relevância para conservação na região neotropical é a Mata
Atlântica. A Mata Atlântica é uma das regiões biogeográficas melhor definidas na
América do Sul (Silva et al., 2004) e engloba um mosaico de biodiversidade. É um bioma
que se encontra isolado de outros grandes blocos florestais da América do Sul (Ab’ Saber,
1977). Com esse isolamento, a Mata Atlântica revela uma biota única e muita rica em
espécies endêmicas (Myers et al., 2000). Sua conservação é considerada prioritária,
principalmente devido à alta riqueza de espécies, aliada a significativos níveis de
endemismo e ao elevado grau de fragmentação de seus ambientes. Na análise de Myers

2
et al. (2000) sobre hotspots de biodiversidade, o bioma aparece entre os primeiros da lista
em termos de prioridade. Ao mesmo tempo, a Mata Atlântica brasileira apresenta somente
de 11% a 16% da extensão original de vegetação remanescente, quase toda em fragmentos
florestais de tamanho insuficiente para a manutenção das populações de muitas espécies
(Ribeiro et al., 2009).
Um elevado número de aves endêmicas ocupa uma grande área de distribuição
dentro da Mata Atlântica brasileira, mas principalmente pelo desmatamento tornaram-se
ameaçadas pela perda de seu habitat. A Mata Atlântica também apresenta muitas espécies
de endemismo restrito, i.e. espécies que só ocorrem em áreas muito restritas do bioma, o
que contribui para torná-las ameaçadas. Segundo Marini & Garcia (2005), a Mata
Atlântica contém 76% das espécies de aves ameaçadas e endêmicas do Brasil,
constituindo o bioma mais crítico para a conservação de aves no país.
Com sua grande extensão norte-sul e variação altitudinal, a Mata Atlântica está sob
vários regimes climáticos. O PBMC (2013) apresenta previsões para áreas desde o sul,
sudeste até o nordeste brasileiro que apontam para dois regimes distintos. Na porção
Nordeste deve ocorrer um aumento na temperatura e decréscimo nas chuvas, que começa
moderado até 2040, mas se torna gradativamente mais acentuado em meados do século
(2041-2070), até chegar a um quadro intenso, com aquecimento de 3º a 4ºC e redução de
30% a 35% nas chuvas no final do século (2071-2100). Já nas porções Sul e Sudeste as
projeções indicam aumento de temperatura e intensificação nas chuvas, que começa
moderado até 2040, mas se intensifica em meados do século (2041-2070), até chegar a
um quadro intenso, com um aumento de temperatura de 2,5º e 3ºC e aumento nas chuvas
de 25% a 30% até o final do século (2071-2100).
Os estudos sobre os possíveis impactos das mudanças climáticas sobre a riqueza
biológica da Mata Atlântica são escassos (Vale et al., 2009). Os estudos existentes que
realizaram modelagem de distribuição de espécies, para prever os impactos das mudanças
climáticas sobre a distribuição das espécies da Mata Atlântica, geralmente indicaram, a
redução nas extensões de ocorrência das espécies no futuro (Haddad et al., 2008;
Colombo & Joly, 2010; Marini et al., 2010; Loyola et al., 2013; Loyola et al., 2014; Lemes
et al., 2014; Ferro et al., 2014). Em um estudo recente, mostramos que 86% das espécies
de aves endêmicas e ameaçadas da Mata Atlântica devem perder área de distribuição em
cenário de mudanças climáticas, com áreas de distribuição futura que correspondem, em
média, a 45% de sua área original (Souza et al., 2011). O estudo mostra também uma
redistribuição, em cenários futuros, das áreas que atualmente têm a maior riqueza de

3
espécies, o que sugere que esforços para a conservação da biodiversidade, através do
estabelecimento de áreas protegidas, têm de levar em conta as mudanças climáticas. Se a
seleção de áreas não levar em conta as mudanças climáticas futuras, as redes de áreas
protegidas podem, com o tempo, deixar de representar a diversidade, pois as mudanças
climáticas podem conduzir as espécies para fora dessas áreas (p.ex. Araújo et al., 2004;
Hannah et al., 2007; Virkkala et al., 2014). Um estudo no Canadá, por exemplo, revela
que nem todas as árvores localmente adaptadas em áreas protegidas serão mantidas sob
um cenário de mudança climática até o final do século (Hamann & Aitken, 2013).

1.2 Planejamento Sistemático para Conservação


O estabelecimento de áreas protegidas é uma importante estratégia para conter a
chamada crise da biodiversidade. Tais áreas têm a função de manter os recursos naturais
em diversos tipos de ecossistemas e garantir que os processos ecológicos se mantenham
no longo prazo (Bruner et al., 2001; Sinclair et al., 2002). Historicamente, o
estabelecimento de áreas protegidas ocorria de forma oportunista, sem um estudo
aprofundado sobre os alvos de conservação a serem alcançados (Pressey et al., 1994). Na
maioria dos casos, as áreas protegidas eram criadas com interesses diversos, não
diretamente ligados à conservação da biodiversidade, como por exemplo, propósitos
turísticos, beleza cênica, proteção de recursos hídricos entre outros (Pressey et al., 1994).
Além disso, diferentes critérios eram utilizados para a seleção dessas áreas, como baixo
potencial econômico da terra (Pressey et al., 1994). Uma seleção de reserva sem a
utilização de objetivos específicos resulta em redes com muitas áreas protegidas, mas que
não garantem, necessariamente, a representação dos elementos da biodiversidade
(Pressey et al., 1994).
A grande maioria das abordagens atualmente adotadas assume que a proteção
formal das áreas garante a imediata remoção das ameaças e a conservação da
biodiversidade existente nos seus limites (Possingham et al., 2009). Isso não costuma
acontecer em áreas protegidas não eficazes (Pressey et al., 1994), que, por exemplo, não
têm uma gestão efetiva, como é caso de diversas áreas protegidas no Brasil (Ibama &
WWF-Brasil, 2007).
A seleção de redes de áreas protegidas eficientes tem como intuito representar a
biodiversidade de forma que ela persista em longo prazo e seja complementar no conjunto
de áreas selecionadas (Margules & Pressey, 2000). O princípio geral da

4
complementaridade propõe que diferentes reservas devem conter diferentes alvos, de
modo que a sua sobreposição e redundância sejam mínimas. Nesse sentido, a priorização
espacial para conservação busca uma melhor relação custo-benefício na escolha da
localização de novas áreas protegidas (Ferrier & Wintle, 2009), fazendo um uso mais
eficiente dos recursos disponíveis para a conservação (Margules & Pressey, 2000;
Margules & Sarkar, 2007; Moilanen et al., 2009).
O Planejamento Sistemático para Conservação (PSC) prevê critérios para o
estabelecimento de áreas protegidas e produz estratégias eficazes para a conservação da
biodiversidade (Possingham et al., 2000; Diniz-Filho et al., 2007). Devem ser
considerados muitos critérios para garantir um equilíbrio entre a conservação da
biodiversidade e outros tipos de uso da terra. De grande uso e importância para a criação
das áreas protegidas, são os criterios socioeconômicos, que já vêm sendo utilizados em
diversos estudos (p. ex. Faleiro & Loyola, 2013; Pinto & Grelle, 2011; Diniz-Filho et al.,
2006; Araújo et al., 2002; Luck et al., 2004; Tulloch et al., 2014). A densidade da
população humana é um deles e seu uso em processos de seleção de áreas protegidas é
bem difundido, visto que o crescimento da população humana é um claro vetor de
ameaças à biodiversidade (Luck, 2007; Cincotta et al., 2000). O crescimento da população
humana ocorreu em quase todos os hotspots de biodiversidade, embora haja um declínio
gradual na taxa de fertilidade humana ao longo dos últimos anos (Cincotta et al., 2000).
As relações entre a população humana e riqueza de espécies são quase sempre positivas
(Luck et al., 2004; Pinto & Grelle, 2011), mas ainda há remanescentes de habitat
adequados para conservação em lugares com baixas populações humanas (Cincotta et al.,
2000).
No Brasil há mais de 1.600 Unidades de Conservação (UC), cobrindo mais que 15%
do territirio brasileiro. Atualmente, a criação de UCs no Brasil é pautada nas metas da
Convenção sobre Diversidade Biológica, que estabelece que pelo menos 10% da área de
cada bioma deverá ser protegido (Ministério do Meio Ambiente,
http://www.mma.gov.br/). As UCs dividem-se em dois grupos: Unidades de Proteção
Integral e de Uso Sustentável. Nas Unidades de Proteção Integral a proteção da natureza
é o principal objetivo, por isso as regras e normas de uso são mais restritivas. Nesse grupo
é permitido apenas o uso indireto dos recursos naturais, ou seja, aquele que não envolve
consumo, coleta ou dano aos recursos naturais. Já as Unidades de Uso Sustentável são
áreas que visam conciliar a conservação da natureza com o uso sustentável dos recursos
naturais. Nesse grupo, atividades que envolvem coleta e uso dos recursos naturais são

5
permitidas, mas desde que praticadas de uma forma que a perenidade dos recursos
ambientais renováveis e dos processos ecológicos esteja assegurada (Ministério do Meio
Ambiente, http://www.mma.gov.br). Porém, a criação das UCs não implica em proteção
efetiva. Os resultados de uma avaliação do Ibama & WWF-Brasil (2007), com 85% do
total das UCs federais públicas existentes no Brasil, indicam que a maioria dessas áreas
apresenta níveis inferiores a intermediários de efetividade em suas gestões. Em algumas
regiões a proteção formal das áreas não evita sequer a perda de habitat, com a conversão
de áreas para a agricultura, pecuária ou assentamentos ocorrendo, principalmente nas
unidades de uso sustentável. No Brasil isto é bastante evidente, especialmente nas regiões
de maior crescimento urbano e desenvolvimento econômico, como a Mata Atlântica,
onde grande parte das áreas protegidas é composta por áreas de proteção ambiental
(APAs), categoria bastante vunerável às pressões antrópicas (Ministério do Meio
Ambiente, http://www.mma.gov.br/). Atualmente apenas 9% dos remanescentes da Mata
Atlântica brasileira estão em áreas protegidas , correspondendo a 1% da floresta original
(Ribeiro et al., 2009), ao contrário da Amazônia que possui mais de 22% de seu território
coberto por áreas protegidas (IMAZON, 2014). A Mata Atlântica, portanto, precisa de
uma avaliação aprofundada dos métodos de conservação atuais e do estabelecimento de
áreas prioritárias para conservação.

2. OBJETIVOS
Dada a rara presença de estudos sobre a adequação da atual rede de unidades de
conservação brasileira para a preservação da biodiversidade em cenários de mudanças
climáticas, este projeto teve como objetivo geral a seleção de áreas prioritárias para a
conservação de aves endêmicas da Mata Atlântica em cenários de mudanças climáticas.
Os objetivos específicos foram: (1) Mapear a área potencial de distribuição geográfica
das espécies alvo no presente e no futuro, usando um cenário de mudanças climáticas
para 2050 e 2080; (2) Selecionar áreas prioritárias para conservação dessas espécies
utilizando o método de planejamento sistemático para conservação, a partir das
distribuições geográficas das espécies no presente e no futuro separadamente; (3) Avaliar
a congruência entre a atual rede de unidades de conservação da Mata Atlântica e as áreas
prioritárias selecionadas no passo anterior.

6
3. MATERIAL E MÉTODOS

3.1 Modelagem de Distribuição


Uma ferramenta que tem sido amplamente utilizada nos estudos dos possíveis
efeitos das mudanças climáticas sobre a biodiversidade é o mapeamento da distribuição
potencial de espécies sob várias simulações de cenários climáticos (Feeley et al., 2010,
Araújo et al., 2011). Na modelagem de distribuição de espécies as relações entre as
distribuições atuais de espécies com as variáveis do clima atual são utilizadas para
projetar as distribuições das espécies em climas futuros (Pearson & Dawson, 2003;
Araújo & Rahbek, 2006). Tendo um perfil bioclimático identificado, a aplicação de
cenários de mudanças climáticas futuras permite a modelagem da redistribuição potencial
das espécies. A modelagem de distribuição de espécies foi, em grande parte, impulsionada
por uma demanda por resultados que são úteis para a gestão da biodiversidade (Araújo &
Rahbek, 2006).
Os modelos de distribuição de espécies (SDM – species distribution models) se
baseiam na teoria de nicho ecológico, relacionando a distribuição das espécies e as
variáveis ambientais. Em SDM, um algoritmo usa como entrada os valores de variáveis
ambientais escolhidas a priori nos locais de registros de ocorrência (e às vezes também
de ausência) das espécies, estabelecendo uma relação entre a ocorrência da espécie e as
variáveis ambientais. Essa relação, que podemos chamar de “modelo”, pode então ser
projetada no espaço geográfico de toda a área de estudo, gerando uma superfície de
adequabilidade ambiental para a ocorrência da espécie (Franklin, 2009).
O presente estudo foi realizado nas seguintes etapas: 1) Organização de um banco
de dados de registros de ocorrência das aves endêmicas da Mata Atlântica; 2) Compilação
da base de dados ambientais; 3) Modelagem de distribuição destas espécies utilizando
diversos algoritmos; 4) Projeção geográficas (mapas) dos modelos no presente e no futuro
em cenários de mudanças climáticas; 5) Avaliação do desempenho dos modelos; 6)
Geração de um modelo de consenso para cada espécie a partir das projeções de diferentes
algoritmos com desempenho satisfatório ; 7) Cálculo de perdas e ganhos de área
ambientalmente adequada em cenários futuros; 8) Geração de mapas de riqueza de
espécies no presente e no futuro.

7
3.1.1 Bancos de dados de ocorrência e de dados ambientais

No presente estudo, trabalhamos com espécies endêmicas da Mata Atlântica,


utilizando como base a lista das espécies de Bencke et al. (2005). Atualizamos, através
de pesquisa bibliográfica, uma base de dados de ocorrência de aves endêmicas da Mata
Atlântica compilada anteriormente por Mariana M. Vale através de pesquisa
bibliográfica, dados originais e espécimes depositados em coleções ornitológicas (Museu
Nacional do Rio de Janeiro, do Museu de Zoologia da Universidade de São Paulo, do
Departamento de Zoologia da Universidade Federal de Minas Gerais e do Museu de
História Natural Capão da Imbuia). Na lista final de espécies, há 214 aves endêmicas da
Mata Atlântica. No entanto, para as análises finais foram excluídas as espécies ausentes
da base de dados, as espécies que apresentaram menos de doze registros de ocorrência,
as espécies com incertezas na taxonomia e as espécies com o endemismo duvidoso. Ao
final, nosso estudo analisou 155 espécies, com um total de 5.708 registros únicos de
ocorrência.
Foram compilados, utilizando os softwares ArcGIS e DIVA-GIS, os dados
climáticos para presente e para um futuro em 2050 e 2080, numa resolução de 2,5 arc-
minutos (célula com ~ 4,2 km de lado ao Equador). A resolução espacial do grão utilizado
foi escolhida para melhor adequação à incerteza de posicionamento dos registros de
ocorrência e às limitações computacionais para a modelagem das distribuições das
espécies.
Seguindo Souza et al. (2011), seis variáveis bioclimáticas foram utilizadas na
modelagem: a sazonalidade da temperatura, a sazonalidade da precipitação, a temperatura
máxima no mês mais quente, a temperatura mínima no mês mais frio, a precipitação no
mês mais úmido e a precipitação no mês mais seco. Estas seis variáveis foram
selecionadas a partir de um conjunto de 19 variáveis bioclimáticas disponíveis do banco
de dados climáticos WorldClim (Hijmans et al., 2005), com base em sua relevância
biológica para a distribuição de aves e na minimização de colinearidade no conjunto
original dentro da extensão da Mata Atlântica (Souza et al., 2011).
Os dados climáticos para o momento atual foram obtidos a partir do WorldClim
(www.worldclim.org) e os dados para o futuro em 2050 e 2080 foram obtidos a partir
International Center for Tropical Agriculture (CIAT) (http://ccafs-climate.org/),
utilizando o cenário A2a de emissão de gases de efeito estufa do quarto relatório do IPCC
(2007) e usando o Modelo de Circulação Geral (GCM) HadCM3, que apresentou bom

8
desempenho e previsibilidade para a América do Sul (Marengo 2007). Utilizamos o clima
futuro segundo o cenário A2a, também conhecido como o “business as usual”, ou seja,
sem mudanças relevantes nos padrões globais de produção e consumo, e portanto,
comemissões globais de carbono sem maiores restrições no futuro (Nakicenovic & Swart,
2000).

3.1.2 Algoritmos

Estudos demonstraram que as maiores diferenças das projeções de distribuições de


espécies são causadas pelo uso de diferentes algoritmos, e não tanto de diferentes GCMs
(Diniz-Filho et al., 2009). Por isso, para minimizar as incertezas nas predições adotamos
uma abordagem de consenso (ensemble forecasting Araujo & New, 2007, Thuiller, 2005),
implementada no software ModEco (Guo & Liu, 2010). Utilizamos cinco diferentes
algoritmos de modelagem: um algoritmo baseado em envelope ambiental (BIOCLIM),
um baseado em distância ambiental (DOMAIN), um estatístico (regressão
logística/GLM) e dois baseados em aprendizado de máquina (máquina de vetores de
suporte/SVM e máxima entropia/MAXENT). Esses algoritmos diferem quanto aos dados
de entrada. O ModEco gera, como default, um conjunto de pontos de background
equivalente a cinco vezes o número de registros de presença selecionados para cada
espécie, distribuído aleatoriamente em toda a extensão de estudo. Para o presente trabalho
foi utilizado uma extensão em que o corte abrange a Mata Atlântica e áreas vizinhas.
O BIOCLIM é um dos algoritmos mais antigos em aplicações de SDM e representa
a lógica do nicho ecológico através dos envelopes bioclimáticos. Consiste em um
envelope ambiental retangular em um espaço climático p-dimensional, onde p é o número
de variáveis, e o retângulo é delimitado pelos valores mínimos e máximos de cada
variável nos registros de ocorrência da espécie (95% das observações, ou outro percentil
qualquer) (Guisan & Zimmermann, 2000). O BIOCLIM não produz um gradiente
contínuo de adequabilidade ambiental, mas indica se um local é adequado ou não à
ocorrência da espécie conforme seu envelope bioclimático.
O algoritmo DOMAIN, desenvolvido por Carpenter et al. (1993), é um método
baseado em distância ambiental. Sua abordagem é baseada em uma métrica de
similaridade (medida de distâncias multivariada) ponto-a-ponto, usando a métrica de
Gower para atribuir um valor de classificação à área de estudo, baseando-se na

9
proximidade, no espaço ambiental, ao valor do centroide da distribuição (Guisan &
Zimmermann, 2000).
Os modelos lineares generalizados (GLMs) são extensões dos modelos lineares que
podem utilizar distribuições não normais, prescindindo assim de processos de
transformação das variáveis. Eles são muito utilizados em ecologia, pois frequentemente
os dados ecológicos não cumprem as premissas de modelos lineares. O modelo é estimado
identificando e avaliando as variáveis preditoras (p. ex. temperatura média anual) para
melhor descrever uma função resposta (p. ex. probabilidade de presença de espécies)
(Franklin, 2009). Dentre os diversos tipos de GLM, a regressão logística é bastante
utilizada em modelagem de distribuição, onde a variável resposta pode assumir uma
distribuição binária (presença ou ausência) ou ser convertida em valores de probabilidade
de ocorrência, ao calcular o inverso da sua função de ligação (Guisan & Zimmermann,
2000).
O algoritmo SVM (support vector machine) é um método de aprendizado de
máquina que apenas recentemente tem sido utilizado em modelagem de distribuição.
Como todo modelo de aprendizado de máquina, é bastante hermético matematicamente.
O SVM caracteriza-se por conter um conjunto de métodos de aprendizagem
supervisionados relacionados, que pertencem à família dos classificadores lineares
generalizados. Os vetores de suporte criam hiperplanos de separação que atuam como
classificadores de dados gerando probabilidades de presença (Franklin, 2009).
O algoritmo de máxima entropia (MAXENT) é um método de aprendizado de
máquina baseado em estatística mecânica e teoria de informação. Está entre os algoritmos
mais usados recentemente, devido à existência de uma interface computacional amigável,
bom ajuste aos dados e ao fato de exigir apenas dados de presença (Elith et al., 2006; Elith
& Graham, 2009). A distribuição de máxima entropia é construída segundo um conjunto
de restrições que representam a informação incompleta disponível, onde a informação
disponível são os valores das variáveis ambientais nos registros de ocorrência e as
restrições são tais, que na distribuição de máxima entropia os valores para cada variável
devem se aproximar o máximo possível da sua média aritmética para os pontos de
ocorrência.
Esses algoritmos também diferem nos dados de saída: os modelos gerados pelos
algoritmos BIOCLIM e DOMAIN fazem projeções binárias (adequada vs. não adequada),
enquanto que o GLM, SVM e MAXENT fazem projeções contínuas de adequabilidade
ambiental. Assim, para os algoritmos que geram projeções em valores contínuos é

10
necessário escolher um valor, chamado de limiar de corte ou threshold, para gerar uma
projeção binária (adequada vs. não adequada) (Liu et al., 2005). Com isso, somente as
áreas com a adequabilidade ambiental igual ou superior ao limiar escolhido são
consideradas adequadas para a ocorrência da espécie. Neste estudo, os valores de corte
dos algoritmos GLM, SVM e MAXENT foram calculados para maximizar registros de
ocorrência em área prevista como adequada pelos modelos (“sensibilidade” do modelo)
e ausências em áreas previstas como de ausência pelo modelo (“especificidade” do
modelo) (Tabela 1). Esse limiar de corte é chamado “maximum training specificity plus
sensitivity threashold” e é um dos mais recomendados na literatura (Liu et al., 2013).

3.1.3 Avaliações dos modelos

Após as modelagens de distribuição é preciso avaliar o desempenho dos modelos


gerados. A validação de um modelo é também conhecida como teste externo e consiste
na confrontação de seus resultados contra dados da distribuição da espécie não utilizados
no desenvolvimento do modelo. Na modelagem foram aleatoriamente separados 75% dos
registros para gerar o modelo (calibração), enquanto os outros 25% foram reservados para
teste (validação). Os métodos de avaliação mais comuns são derivados da chamada matriz
de confusão, uma matriz de erros e acertos associados às previsões dos modelos (Tabela
1). Existem alguns testes padrão para avaliar o desempenho de modelos (Allouche et al.,
2006); para o nosso estudo o teste escolhido foi o TSS (True Skill Statistics). Utilizando
os mapas binários, referentes aos modelos de distribuição atual, foi criada uma matriz de
confusão para obtenção dos valores de sensibilidade, especificidade e o TSS (Tabela 1)
(Allouche et al., 2006), onde:
𝑎
Sensibilidade = 𝑎 +𝑐
𝑑
Especificidade = 𝑏+𝑑
𝑎 𝑑
TSS = (sensibilidade + especificidade) -1 = ( 𝑎 +𝑐 + )-1
𝑏+𝑑

11
Tabela 1: Exemplo de matriz de confusão para avaliar o desempenho dos modelos, onde: “a” e “d” são previsões
corretas; “b” e “c” são previsões incorretas. “a” é o número de registros para as quais a presença foi corretamente
predita pelo modelo; “b” é o número de registros de ausência da espécie (erro de comissão), mas o modelo previu
presença; “c” é o número de registros de presença da espécie, mas o modelo previu ausência (erro de omissão) e;
“d” é o número de registros para as quais a ausência foi corretamente preditas pelo modelo. Adaptado de Allouche
et al. (2006).

Observado

Presença real Ausência real


Modelado

Presença prevista a b

Ausência prevista c d

Para a realização dos cálculos da matriz de confusão, foi utilizado o conjunto de


registros de ocorrência das espécies e foi necessário um conjunto de dados de pseudo-
ausências das espécies. De acordo com Lobo & Tognelli (2011) a localização dos pontos
de pseudo-ausências afeta menos o modelo que a sua quantidade e estes autores sugerem
uma relação equivalente a 100 vezes o número de pontos de ausência para cada registro
de presença. O maior número de pontos de pseudo-ausências causará uma redução na taxa
de comissão. Assim, foi criado um conjunto de dados de pseudo-ausências para cada
espécie estudada. Os dados de pseudo-ausência foram gerados utilizando o software
ArcGIS em número 100 vezes maior do que os registros de ocorrência para a espécie,
sendo aleatoriamente distribuídos fora da sua distribuição conhecida segundo os mapas
de distribuição disponibilizados pela IUCN/BirdLife International
(http://www.birdlife.org/datazone/info/spcdownload). Esses pontos foram gerados dentro
do corte da extensão do estudo utilizada.
Uma vez gerados todos os dados necessários (projeções dos modelos, registros de
presenças e pontos de pseudo-ausências), foi calculado o TSS em ambiente R e SIG, onde
todos os pontos são plotados sobre os mapas binários gerados por cada algoritmo e
extraídos os valores correspondentes, para posteriormente calcular o TSS. O valor do
TSS pode variar de -1 a +1, sendo que valores negativos indicam uma acurácia preditiva
que não é melhor do que um resultado ao acaso e 1 indica concordância perfeita. Para o
presente trabalho, consideramos aceitáveis os modelos com TSS > 0,4. Os modelos com
TSS abaixo desse valor foram excluídos de análises posteriores.

12
3.1.4 Processamento dos mapas

Os mapas das áreas de distribuições potenciais finais, ou seja, os mapas de consenso


(ensemble), foram produzidos no software ArcGIS através da sobreposição das projeções
binárias dos modelos com TSS > 0,4. Cada célula da área de estudo recebeu um valor
correspondente ao número de algoritmos que predizem a ocorrência da espécie naquela
célula. Um novo modelo binário foi produzido, utilizando a regra da maioria, que define
como presença da espécie nas áreas apontadas por pelo menos 50% dos algoritmos
utilizados no consenso. Por exemplo, nas espécies que apresentaram um desempenho
aceitável em todos os cinco algoritmos, foi produzido o mapa consenso selecionando as
áreas onde pelo menos três algoritmos consideram a espécie presente.
Os mapas de consenso no tempo presente, em 2050 e em 2080, foram processados
no ArcGIS para a obtenção dos seguintes medidas: área das distribuições geográficas,
ganho ou perda de área de distribuição original até 2050 e 2080 e mapas de riqueza das
espécies. Embora a modelagem tenha sido feita numa extensão que abrange a Mata
Atlântica e áreas vizinhas, para esse processamento os mapas de consenso foram cortados
segundo os limites do domínio da Mata Atlântica (Área de Aplicação da Lei nº 11.428,
de 2006, http://www.mma.gov.br/biomas/mata-atlantica) (Fig. 1). Em uma etapa
posterior, os modelos finais binários foram recortados a partir do mapa de remanescentes
florestais do ano base de 2011 (Fundação SOS Mata Atlântica, http://www.sosma.org.br)
(SOS Mata Atlântica & INPE 2012), a fim de eliminar dos modelos preditivos as áreas
antropizadas. Dessa forma estimamos a área de ocorrência das espécies somente onde
ainda há cobertura florestal, assumindo, portanto, que no futuro os remanescentes
florestais se manterão na configuração atual. Todos os mapas foram processados no
sistema de coordenadas geográficas com o Datum WGS84 e depois convertidos para a
projeção World Cylindrical Equal Area, para permitir o cálculo de área em km² sem
distorções.
Para gerar os mapas de riqueza das espécies no presente, em 2050 e 2080, foi feita
uma adição dos mapas de distribuição de todas as espécies nos diferentes cortes
temporais, gerando mapas com o número de espécies por pixel nos três cortes temporais.

13
Figura 1: Distribuição dos limites da Mata Atlântica (Área de Aplicação da Lei nº 11.428, de 2006) entre os estados
brasileiros e as unidades de conservação de proteção integral e RPPN. CE = Ceará, RN = Rio Grande do Norte, PB
=Paraíba, PE = Pernambuco, AL = Alagoas, SE = Sergipe, PI =Piauí, BA = Bahia, GO = Goiás, MG = Minas Gerais, ES
=Espírito Santo, RJ = Rio de Janeiro, MS = Mato Grosso do Sul, SP = São Paulo, PR = Paraná, SC = Santa Catarina e
RS = Rio Grande do Sul.

14
3.2 Planejamento Sistemático para Conservação

3.2.1 Dados e unidades de planejamento

O Planejamento Sistemático para Conservação da biodiversidade procura definir,


de forma clara, quais alvos de conservação (espécies, ecossistemas, etc.) são relevantes,
confrontando o custo com o objetivo. Tendo as metas inferidas nos objetivos, são
encontradas as áreas mínimas necessárias para que estes alvos persistam ao longo do
tempo. O planejamento busca também, proteger uma amostra representativa da
biodiversidade regional de forma inteligente, identificando áreas prioritárias para
conservação, considerando os possíveis conflitos de uso da terra e, dado os limitados
recursos disponíveis para conservação, identifica uma solução de consenso que apresente
a melhor relação custo e benefício, protegendo o máximo de objetos de conservação com
o mínimo de área protegida. Esse problema da seleção de áreas geralmente é solucionado
através de algoritmos baseados no conceito de complementaridade, que é uma medida do
quanto uma área contribui para a representação de características não representadas
dentro de um conjunto de áreas (Margules & Pressey, 2000).
Existem diversos métodos para seleção de áreas protegidas. Muitos procuram
estabelecer que conjuntos de áreas que devem ser selecionados de modo a representar o
maior número de alvos de conservação com o menor custo possível, seja este o menor
valor monetário ou o menor número de áreas para a rede final (Williams et al., 2004).
Neste estudo utilizamos o software MARXAN de Planejamento Sistemático para
Conservação (Ball & Possingham, 2000; Possingham et al., 2000) para identificar
unidades de planejamento prioritárias, que maximizam o alcance de alvos, minimizando
os custos. MARXAN usa um algoritmo heurístico, conhecido como simulated annealing,
nos processos de seleção de redes de áreas protegidas, para encontrar soluções ótimas.
Este algoritmo de otimização inicia com um conjunto aleatório de unidades de
planejamento e, a cada iteração, realiza ao acaso adições, subtrações ou substituições de
unidades de planejamento, mensurando a alteração resultante na função de custo total e
mantendo apenas as mudanças que diminuem o custo (Possingham et al., 2000). Na
função de custo, a não representação de qualquer espécie aumenta o custo, assim como a
adição de qualquer unidade de planejamento (Possingham et al., 2000, Pinto & Grelle,
2011).

15
3.2.2 Tabelas de prioridades de custos

Como unidades de planejamento foram utilizados os municípios brasileiros, dentro


da extensão da Mata Atlântica. No Brasil, a utilização de municípios como unidades de
planejamento para separaração de processos de seleção de áreas protegidas é adequado,
pois esta é a menor unidade geopolítica em termos de administração, onde geralmente são
realizadas as ações de conservação. Com base no mapa da malha municipal brasileira do
ano de 2010, obtido no site do Instituto Brasileiro de Geografia e Estatística (IBGE;
www.ibge.gov.br), foram selecionados apenas os municípios que tinham pelo menos 75%
de seu território dentro da extensão dentro dos limites da Mata Atlântica. Se a área de um
município do bioma era menor que 75% de sua área total, este era excluído do conjunto.
Os demais municípios, ou seja, aqueles com ≥ 75% de seu território dentro do domínio
da Mata Atlântica, foram considerados como as unidades de análise do estudo. No total,
foram selecionados 2.688 municípios, com uma média de aproximadamente 410 km² por
município (Fig. 2).
A partir dos mapas de distribuição pontenciais finais de cada espécie (mapa
consenso), foi construída uma matriz de presença e ausência das espécies em cada
município, no presente e no futuro. Como os resultados das modelagens de distribuição
potencial foram similares para 2050 e 2080, optamos por realizar a priorização espacial
das áreas para conservação apenas para o ano de 2050, tendo em vista que este corte
temporal está mais próximo do ano de obtenção dos dados de remanescentes florestais e
de densidade de população humana, tornando a análise mais robusta. A distribuição de
aves foi contabilizada apenas em remanescentes florestais, dando assim maior
importância para os municípios com maior cobertura florestal. Para o cenário futuro,
admitimos que a quantidade de floresta que ainda restou na Mata Atlântica permanecerá
em níveis similares em 2050.

16
Figura 2: Munícipios e unidades de conservação de proteção integral e RPPN na Mata Atlântica.

17
As 155 espécies analisadas apresentam diferentes categorias de ameaças na IUCN,
utilizadas para estabelecer diferentes prioridades (Fig. 3). O estabelecimento de pesos
para cada espécie-alvo é importante para uma orientação do planejamento. Os pesos
fornecem ao software uma ordem de prioridade das espécies para a elaboração do mapa
de importância biológica. O software busca soluções que primeiramente atendam às
metas das espécies com um peso maior (maior prioridade) partindo em seguida para os
pesos menores, seguindo a ordem de prioridade estabelecida. Assim, foi estabelecido um
sistema de peso linear (1 a 4) para as espécies estudadas, seguindo os critérios abaixo:
 Peso 1: para espécies das categorias Quase Ameaçada (24% das aves analisadas)
e Pouco Preocupante (46%);
 Peso 2: para espécies da categoria Vulnerável (17% das aves analisadas);
 Peso 3: para espécies da categoria Em Perigo (11% das aves analisadas);
 Peso 4:para espécies da categoria Criticamente em Perigo (2% das aves
analisadas).

80
70
Número de Espécies

60
50
40
30
20
10
0
CR EN VU NT LC
Status Global de Conservação (IUCN)

Figura 3: Status Global de Conservação da IUCN em relação à quantidade de espécies analisadas. CR = Criticamente
Em Perigo, EN = Em Perigo, VU = Vulnerável, NT = Quase Ameaçada e LC = Pouco Preocupante.

Como meta de conservação para as espécies definimos que, 30% da área de


distribuição de cada espécie analisada devem estar contempladas na rede de unidades de
conservação, tanto no cenário atual, quanto no cenário futuros.

18
Para a análise das unidades de conservação, decidimos utilizar as de Proteção
Integral (Estação Ecológica, Reserva Biológica, Parque, Monumento Natural e Refúgio
de Vida Silvestre), além da Reserva Particulare do Patrimônio Natural (RPPN) que são
unidades em áreas privadas classificadas como de Uso Sustentável. Incorporamos
RPPNs, pois no Brasil essas áreas protegidas apresentam, em geral, uma proteção
bastante rigorosa e efetiva, (Crouzeilles et al., 2012). Os limites das UCs foram obtidos
no site do Ministério do Meio Ambiente (MMA; www.mma.gov.br). De acordo com os
princípios do planejamento sistemático para a conservação (Margules & Pressey, 2000),
um sistema representativo de áreas protegidas deve ser elaborado a partir da revisão do
conjunto de unidades de conservação existentes para proteção de alvos de conservação
previamente selecionados. Na criação da tabela com os dados de áreas protegidas,
definimos como já protegidas as unidades de planejamento (i.e. municípios) que
apresentaram > 50% de suas áreas ocupadas por unidades de conservação, optando por
sempre incluí-las nas soluções finais. Apenas 15 municípios apresentaram > 50% de área
com unidades de conservação (Anexo 2).
Na análise de custo utilizamos como critério a densidade de população humana,
partindo do pressuposto que maiores densidades representam uma maior pressão sobre o
meio ambiente e possível conflito entre conservação e desenvolvimento (Balmford et al.,
2001, Luck, 2007, Pinto & Grelle, 2011, Eglington & Pearce-Higgins 2012). Afinal, a
densidade de população humana é um forte preditor do risco de extinção de espécies
(Cardillo et al., 2005), é diretamente relacionada à conversão de habitat (Laurance et al.
2002) e é indicadora de custos monetários (Luck et al. 2004, Rangel et al. 2007). Assim
sendo, definimos que os municípios com maiores populações apresentariam um maior
custo para a seleção da unidade de planejamento. Obtivemos as estimativas de população
humana total para os municípios brasileiros em 2013 a partir do site do Instituto Brasileiro
de Geografia e Estatística (IBGE; www.ibge.gov.br), as quais foram posteriormente
associadas ao mapa de municípios. Para o cenário futuro, assumimos que o tamanho
populacional se manterá, sobretudo em termos relativos.

3.2.3 Parametrização do MARXAN

No MARXAN utilizamos alguns parâmetros básicos nas simulações, incluindo o


uso da opção ‘Simulated Annealing’ (seguida apenas por ‘Iterative Improvement’),
utilizada para restringir alterações nos cenários à medida que soluções espaciais de menor

19
custo vão sendo encontradas. O algoritmo Simulated Annealing explora o espaço de
solução de forma eficaz, e o ‘Iterative Improvement’, em seguida, garante que a solução
represente a melhor opção na área imediata do espaço de decisão (conhecido como um
‘mínimo local') (Game & Grantham, 2008). Utilizamos 100 simulações e 100 milhões de
interações em cada abordagem, para determinar o cenário ideal para a identificação de
áreas complementares que assegurassem a representatividade do conjunto de áreas
protegidas. Finalmente, as unidades de planejamento de alta prioridade para conservação
foram identificadas como aquelas que são 100% insubstituíveis, ou seja, que aparecem
em todas as 100 melhores soluções. A insubstituibilidade corresponde ao número de
vezes que uma unidade de planejamento foi selecionada em uma determinada quantidade
de simulações, informando a contribuição potencial da unidade de planejamento para o
alcance de metas específicas. As unidades insubstituíveis em geral são aquelas unidades
de planejamento onde ocorrem espécies que apresentam um endemismo muito restrito,
sendo altamente dependentes de hábitat específico e fortemente localizado. Nos
resultados, optamos por apresentar os municípios selecionados a partir do ‘best solution’,
os munícipios insubstituíves e os municípios em frequência de ocorrência nas soluções.
Foram utilizados dois cenários: com e sem a escolha de ‘Boundary Length’. O uso
da opção ‘BLM’ (Boundary Length Modifier) é utilizada para agrupar unidades de
planejamento mais próximas, minimizando o comprimento total de fronteira, produzindo
assim um sistema de áreas protegidas mais compacto, que pode ser desejável por uma
variedade de razões. A importância de uma rede compacta está no fato de que suas metas
são capazes de ser atendidas em um número menor de grandes áreas protegidas. O BLM
pode ser pensado como uma escala relativa, variando de soluções mais baratas,
minimizando custos (baixo BLM) para uma forma mais cara, que investe em compactar
as áreas selecionadas (alto BLM) (Game & Grantham, 2008).

4. RESULTADOS

4.1 Resultados da Modelagem de Distribuição

4.1.1 Desempenho dos modelos

Na modelagem foram gerados os modelos de distribuições das espécies, que em


geral, tiveram um bom desempenho, com valores médios de TSS satisfatórios (Tabela 2).

20
Dentre os algoritmos BIOCLIM foi o que obteve o melhor desempenho, com valores de
TSS > 0,40 para todas as 155 espécies modeladas, com média de 0,75. Os algoritmos
MAXENT e GLM obtiveram os piores desempenhos, tendo em média 0,59 e 0,60 de
TSS, respectivamente. Nas análises com MAXENT e GLM, foram removidosos modelos
de distribuição de 20 e de 18 espécies, respectivamente, na elaboração do mapa consenso
(Tabela 2). O algoritmo BIOCLIM apresentou os maiores valores de sensibilidade, já o
algoritmo DOMAIN apresentou os maiores valores de especificidade (Tabela 2).
Dentre as espécies modeladas, somente 3 (Touit melanonotus, Myrmotherula
urosticta e Phylloscartes beckeri) obtiveram desempenhos aceitáveis em apenas 2
algoritmos e 10 obtiveram desempenhos aceitáveis em 3 algoritmos e 18 espécies
obtiveram desempenhos aceitáveis em 4 algoritmos. A grande maioria, 124 espécies,
obtiveram desempenhos aceitáveis em todos os 5 algoritmos.

Tabela 2: Desempenho dos modelos de distribuição das espécies: média e o desvio padrão (D. P.) da sensibilidade,
especificidade e do TSS de cada algoritmo para todas as espécies modeladas e o número de espécies que obtiveram
TSS > 0.4 (entraram na construção do modelo consenso).

BIOCLIM DOMAIN GLM MAXENT SVM


Média D. P. Média D. P. Média D. P. Média D. P.. Média D. P.
Sensibilidade 0,817 0,103 0,628 0,108 0,751 0,187 0,760 0,177 0,803 0,148
Especificidade 0,936 0,051 0,999 0,001 0,849 0,147 0,826 0,157 0,877 0,157
TSS 0,753 0,100 0,627 0,108 0,600 0,164 0,586 0,173 0,681 0,150
Espécies TSS>0.4 155 152 137 135 149

4.1.2 Distribuição das aves em cenário de mudanças climáticas

Todas as espécies tiveram uma alteração na distribuição em cenário futuro de


mudanças climáticas, sendo a perda de área de distribuição prevista para a ampla maioria
das espécies (Fig. 4, Anexo 1). É importante ressaltar que as áreas de distribuições das
espécies foram calculadas apenas em remanescentes florestais. Nas análises para 2050,
das 155 espécies modeladas, somente 4 tiveram previsões de ganho na sua área de
distribuição em cenário de mudanças climáticas (Formicivora littoralis, Thripophaga
macroura, Amazona rhodocorytha, Polioptila láctea), com um aumento médio de ca.
3.200 km² da sua área de distribuição original, que equivalem em média 27% da
distribuição original. Para as outras 151 espécies as previsões indicam uma redução média
de ca. 29.500 km² (Anexo 1) com distribuições no futuro que equivalem, em média, a
53% da distribuição original. Uma situação similar, embora um pouco mais severa,

21
aconteceu nas distribuições projetadas para 2080. Em números absolutos de espécies, foi
encontrada a mesma quantidade de espécies ganhando e perdendo áreas de distribuição.
Contudo, para as espécies com perda de área, a análise mostra uma redução média
estimada de ca. 36.500 km² e distribuições futuras que equivalem, em média, a 64% da
área original (Anexo 1). Para as quatro espécies que ganham distribuição em 2080,
(Pyrrhura griseipectus, Amazona rhodocorytha, Phylloscartes sylviolus, Polioptila
lactea) o modelo prevê um aumento médio de ca 5.200 km² da sua área de distribuição
original, que equivalem em média 16% da distribuição original.

70
2050
60 2080
50
Número de espécies

40
30
20
10
0
+75,1 +50,1 +25,1 +0 -0 -25,1 -50,1 -75,1
a 80% a 75% a 50% a 25% a 25% a 50% a 75% a 100%

Figura 4: Diferença entre a área de distribuição atual e a área de distribuição no futuro em cenário de mudanças
climáticas em 2050 e 2080 das espécies de aves endêmicas da Mata Atlântica.

Para algumas espécies os modelos apontam para uma perda completa de área de
distribuição em cenário futuro de mudanças climáticas. Esse é o caso de duas espécies
nas projeções para 2050 (Stymphalornis acutirostris e Touit melanonotus) e de oito
espécies nas projeções 2080 (Acrobatornis fonsecai, Claravis geoffroyi, Leptodon
forbesi, Myrmotherula urosticta, Phylloscartes beckeri, Phylloscartes ceciliae, Terenura
sicki e Touit melanonotus). Curiosamente, no caso do Stymphalornis acutirostris, espécie
ameaçada de extinção e com endemismo restrito, os modelos preveem uma pequena área
de distribuição em 2080, mas não prevista em 2050. Todas estas espécies exceto uma
(Myrmotherula urosticta) já estão ameaçadas segundo a IUCN (Anexo 1). É importante
ressaltar, no entanto, que entre as espécies com perda completa da área de distribuição no

22
futuro, estão incluídas as três únicas espécies cujos modelos de distribuição construídos
a partir de apenas dois algoritmos (Touit melanonotus, Myrmotherula urosticta e
Phylloscartes beckeri), o que pode estar influenciando o resultado.
Adicionalmente, nas previsões futuras para 2050, existem também algumas poucas
espécies cuja área de distribuição em remanescentes florestais é insignificantes. É o caso
de Myrmotherula urosticta e Leptodon forbesi que apresentam apenas cerca de 2 km² de
distribuição em remanescentes florestais em 2050 e uma perda completa na área
climaticamente adequada nas projeções para 2080. Caso similar ocorre com Amazona
brasiliensis e Piprites pileata, que apresentaram < 50km² de distribuição em
remanescentes nas projeções de 2050 e 2080, respectivamente.
A redução na distribuição de muitas espécies gera uma mudança nos padrões
espaciais de riqueza no futuro. Atualmente, o pico de riqueza de aves endêmicas da Mata
Atlântica ocorre em duas regiões: uma grande área ao longo da costa do Rio de Janeiro
até Santa Catarina que, acompanhando a Serra do Mar e uma área menor do litoral norte
da Bahia até Pernambuco, onde se encontra o conhecido Centro de Endemismo de
Pernambuco, apontado por Silva et al. (2004) para passeriformes (Fig. 5A). Nas projeções
em cenário de mudanças climáticas, as áreas com a maior riqueza são muito reduzidas,
com exceção de uma pequena área que abrange o sul de Santa Catarina e norte do Rio
Grande do Sul, resultando em um deslocamento das áreas de maior riqueza para o sul da
Mata Atlântica (Fig. 5B, C e Fig. 6). As perdas já observadas em 2050 se intensificam em
2080 (Fig. 6), sendo que as maiores perdas estão previstas para a região da Serra do Mar,
sobretudo em São Paulo e no sul de Minas, bem como para a região de Pernambuco (Fig.
6). Um aumento de riqueza está previsto para uma área, de tamanho considerável no sul
do Brasil.

23
Figura 5: Riqueza de aves endêmicas da Mata Atlântica no (A) presente (máx. = 117 spp.) e no futuro em cenário de
mudanças climáticas para (B) 2050 (máx. = 112 spp.) e (C) 2080 (máx. = 113 spp.)

Figura 6: Diferença na riqueza de espécies de aves no presente no futuro, mostrando áreas que perdem e ganham
espécies no cenário de mudança climática para (A) 2050 e (B) 2080. Números positivos e negativos significam perda
e ganho de espécies, respectivamente.

4.2 Resultados do Planejamento Sistemático para Conservação

As análises geraram soluções finais que contemplam todas as espécies, de acordo


com a meta estabelecida, nos dois cortes temporais (presente e 2050) e nos diferentes
valores de BLM utilizados. O uso da opção BLM, que agrupa unidades de planejamento
mais próximas, gerou uma grande quantidade de municípios resultantes, aumentando o

24
custo. Essa opção, no entanto, indicou grandes áreas relevantes para conservação de aves
endêmicas da Mata Atlântica, como será apresentado a seguir. Em todas as soluções
encontradas encontram-se os 15 municípios que já possuem Unidades de Conservação,
uma vez que a parametrização das análises força que estas unidades de planejamento
sejam sempre incluídas nas soluções. No planejamento sem a utilização da opção
Boundary Length Modifier (BLM = 0), os municípios foram selecionados de forma
pulverizada em toda a extensão da Mata Atlântica, mas, sobretudo no sul da Bahia e no
Sul de Santa Catarina (Fig. 7). Ao todo, através do ‘best solution’, foram selecionados
321 municípios no presente e 309 municípios em cenário de mudanças climáticas (Tabela
3), ambos com uma distribuição espacial semelhante (Fig. 7). No presente foram
encontrados 135 municípios insubstituíveis, ou seja, unidades que foram selecionadas 100
vezes, ocorrendo em todas as soluções (Fig. 8) e no cenário de mudanças climáticas esses
números aumentaram ligeiramente (Tabela 3). Nos dois cortes temporais a distribuição
espacial de municípios insubstituíveis segue o padrão geral de distribuição dos
municípios selecionados (Fig. 8). A frequência de seleção dos vários locais variou muito
(Fig. 9).

Figura 7: Municípios selecionados para a conservação de aves endêmicas da Mata Atlântica, sem utilizar o BLM, (A)
no presente e (B) em cenário de mudanças climáticas. Em vermelho os municípios sempre inclusos na solução final e
em verde os demais municípios.

25
Figura 8: Municípios prioritários para a conservação de aves endêmicas da Mata Atlântica, sem utilizar o BLM, (A) no
presente e (B) em cenário de mudanças climáticas. Em preto os municípios insubstituíveis e em vermelho os sempre
inclusos na solução final.

Tabela 3: Municípios selecionados (best solution) nos diferentes cortes temporais, utilizando diferentes valores de
BLM. Estão apresentados o número total de municípios e em parênteses o número de municípios insubstituíveis.

BLM Presente Futuro


0 321 (135) 309 (139)
1 419 (213) 356 (157)
2 458 (171) 423 (122)

26
Figura 9 : Frequencia de seleção dos municípios para a conservação de aves endêmicas da Mata Atlântica, sem utilizar o BLM, (A) no presente e (B) em cenário de mudanças climáticas.

27
Com a utilização do Boundary Length Modifier (BLM), quanto maior o valor de
BLM e, portanto, da maior agregação, maior o número de municípios selecionados, o que
implica em um maior custo de conservação (Tabela 3). Com um valor de BLM = 1, foram
selecionados 419 municípios, com forte agregação em algumas regiões: uma região do
sul de Pernambuco ao norte de Alagoas; uma região do sul da Bahia ao nordeste de Minas
Gerais; a região da serra da Bocaina, do sul do Rio de Janeiro ao norte de São Paulo; uma
região no sul do litoral de São Paulo; e a região de divisa no sul de Santa Catarina e norte
do Rio Grande do Sul (Fig. 9). No cenário de mudanças climáticas foram selecionados
356 municípios, concentrados nas mesmas regiões que no presente. O número de
municípios insubstituíveis também aumentou (Tabela 3), mas seguiu o mesmo padrão
geral de distribuição espacial dos demais municípios (Fig. 10). Na figura 12,
apresentamos os munícipios encontrados pela frequência de seleção nas 100 simulações.

Figura 10: Municípios selecionados para a conservação de Aves endêmicas da Mata Atlântica, com BLM = 1, (A) no
presente e (B) em cenário de mudanças climáticas. Em vermelho os municípios sempre inclusos na solução final e em
verde os demais municípios.

28
Figura 11: Municípios prioritários para a conservação de Aves endêmicas da Mata Atlântica, com BLM = 1, (A) no
presente e (B) em cenário de mudanças climáticas. Em preto os municípios insubstituíveis e em vermelho os sempre
inclusos na solução final.

29
Figura 12 : Frequencia de seleção dos municípios para a conservação de aves endêmicas da Mata Atlântica, , com BLM = 1, (A) no presente e (B) em cenário de mudanças climáticas.

30
Finalmente, com um BLM = 2, foram selecionados 458 municípios no presente e
423 no futuro (Tabela 3), de forma ainda mais agregada e concentrada nas mesmas regiões
da análise anterior (Fig. 11). O número de municípios insubstituíveis foi ainda maior
(Tabela 3, Fig. 12). Na figura 15, apresentamos os munícipios encontrados pela
frequência de seleção nas 100 simulações.

Figura 13: Municípios selecionados para a conservação de Aves endêmicas da Mata Atlântica, com BLM = 2, (A) no
presente e (B) em cenário de mudanças climáticas. Em vermelho os municípios sempre inclusos na solução final e em
verde os demais municípios.

Figura 14: Municípios prioritários para a conservação de Aves endêmicas da Mata Atlântica, com BLM = 2, (A) no
presente e (B) em cenário de mudanças climáticas. Em preto os municípios insubstituíveis e em vermelho os sempre
inclusos na solução final.

31
Figura 15: Frequencia de seleção dos municípios para a conservação de aves endêmicas da Mata Atlântica, , com BLM = 2, (A) no presente e (B) em cenário de mudanças climáticas.

32
Ao fazer a sobreposição dos mapas dos municípios selecionados no presente e no
cenário futuro, foi possível identificar aqueles que são comuns a ambos, ou seja, que se
mantêm prioritários para conservação em cenário futuro de mudanças climáticas. Quando
não foi utilizada a opção do BLM, há 207 municípios selecionados em comum, sendo 80
municípios insubstituíveis (Fig. 13A, 14A). Com BLM = 1, foram encontrados 248
munícipios em comum, sendo 101 insubstituíveis (Fig. 13B, 14B) e com BLM = 2, 312
em comum e 75 insubstituíveis (Fig. 13C, 14C). O padrão geral de distribuição espacial
dos municípios prioritários observado até então se mantém também nessa análise (Fig.
13). No entanto, alguns municípios selecionados, assim como aqueles insubstituíveis,
foram encontrados em um corte temporal, mas não em outro (Tabela 4).

Figura 16: Municípios selecionados tanto no presente quanto no cenário de mudanças climáticas, com BLM=0 (A),
BLM = 1 (B) e BLM=2 (C). Em vermelho os municípios sempre inclusos na solução final e em verde os demais
municípios.

33
Figura 17: Municípios insubstituíveis tanto no presente quanto no cenário de mudanças climáticas, com BLM=0 (A),
BLM = 1 (B) e BLM=2 (C). Em vermelho os municípios sempre inclusos na solução final e em verde os demais
municípios.

Tabela 4: Municípios selecionados apenas em um dos cortes temporais, apresentando o número total de municípios
e em parênteses o número de municípios insubstituíveis.

BLM municípios selecionados municípios selecionados


apenas no presente apenas no cenário futuro
0 114 (55) 102 (59)
1 171 (112) 108 (56)
2 146 (96) 111 (47)

4.3 Comparação entre rede atual e planejada de unidades de conservação

Comparando as unidades de planejamento selecionadas com a atual rede de


unidades de conservação do Brasil, observamos que um número muito reduzido de
municípios selecionados como prioritários têm unidades de conservação. Escolhemos
realizar essa comparação com os resultados das análises sem a utilização do BLM, ou
seja, com a solução que representou o menor custo total. Vale ressaltar que nesses
resultados encontram-se os 15 municípios que sempre foram incluídos nas soluções por
já possuírem unidades de conservação.
Atualmente apenas 24% de um total de 321 municípios selecionados apresentam
pelo menos 1% de sua área dentro de unidades de conservação de proteção integral ou
RPPN e 35% dos municípios em unidades de conservação em geral (Fig.15, Anexo 2).
Para o cenário de mudanças climáticas um número similar de municípios apresentam pelo

34
menos 1% de área em unidade de conservação: 25% de um total de 309 em proteção
integral ou RPPN e 38% em unidades de conservação em geral (Fig. 16, Anexo 2).
Dentre esses municípios selecionados que apresentam unidades de conservação nas
suas áreas, 76 foram identificados tanto no cenário atual, quanto no cenário futuro. No
entanto, houve divergências, com 35 municípios selecionados no presente, mas não no
cenário de mudanças climáticas e 40 na situação reversa (Anexo 2).
A grande maioria da atual rede de unidades analisadas não coincide com as áreas
selecionadas como prioritárias no presente, num quadro que se agrava no futuro. Das 466
unidades de conservação analisadas, 69% não apresentam qualquer área dentro dos
municípios selecionados no presente. No cenário futuro os valores são ainda mais
elevados, com 72% das unidades de conservação não apresentando qualquer área dentro
dos municípios selecionados (Fig. 15, Fig.16, Anexo 3).

35
Figura 18: Municípios selecionados no presente e as unidades de conservação de proteção integral e RPPN.

36
Figura 19: Municípios selecionados em cenário de mudanças climáticas e as unidades de conservação de proteção
integral e RPPN.

37
5. DISCUSSÃO

Nosso estudo aponta para uma grande contração na distribuição geográfica de aves
endêmicas da Mata Atlântica em cenários futuros de mudanças climáticas. Esse tipo de
contração de distribuição tem sido o padrão encontrado na maioria das projeções. Em
escala global, plantas e animais, por exemplo, devem apresentar perdas significativas até
2080 (Warren et al., 2013). Estudos também apontam que o impacto das mudanças
climáticas deverá ser especialmente severo sobre a biodiversidade terrestre de espécies
endêmicas (Malcolm et al. 2006). Jetz et al (2007), em estudo em escala global sobre a
susceptibilidade de aves às mudanças climáticas, preveem as maiores perdas para
espécies endêmicas e de ambientes tropicais, uma característica das espécies alvo
utilizadas no presente estudo. De fato, estudos em áreas tropicais têm corroborado essa
previsão. Nos Andes tropicais, a maioria das aves e plantas devem apresentar uma
redução de pelo menos 45% da sua distribuição geográfica até 2050 (Ramirez-Villegas et
al., 2014), que geraria extinções e maiores ameaças para as espécies endêmicas. O padrão
se repete para outros taxa em regiões tropicais, como por exemplo, plantas na Amazônia
(Miles et al., 2004) e aves na África subsaariana (Hole et al., 2009).Os resultados de nosso
estudo, indicando significativa redução de mais de 50% na distribuição da maioria das
espécies em cenários futuros de mudanças climáticas, corroboram as conclusões dos
poucos estudos semelhantes realizados para espécies da Mata Atlântica. Lemes et al.
(2014) prevêem que 88% das espécies de anfíbios do bioma sofreriam contração na
distribuição até 2050. Colombo e Joly (2010) prevêem reduções de até 50% na
distribuição de espécies arbóreas típicas da Mata Atlântica até 2050. Para as mariposas
do bioma também são previstas reduções de distribuições e, inclusive, desaparecimento
completo de 4% das espécies estudadas (Ferro et al., 2014).
Estudos com aves na Mata Atlântica também apontam para contração na
distribuição da maioria das espécies estudadas. Souza et al. (2011) prevêem que 86% das
espécies endêmicas e ameaçadas devem experimentar perdas equivalentes a 45% da
distribuição original. Como por exemplo, em um estudo, o papagaio-charão (Amazona
petrei) deve perder 47% de sua distribuição total até 2060, com perdas de 63% de sua
distribuição nas áreas reprodutivas e de 91% nas áreas de invernada (Marini et al.2010).
As previsões de Marini et al (2010) e Souza et al. (2011) estão, de um modo geral, dentro
do encontrado no presente estudo.

38
Diferentes estudos realizados com múltiplas espécies começam a estabelecer um
padrão na alteração da distribuição espacial da riqueza de espécies na Mata Atlântica.
Para mariposas (Ferro et al., 2014), anfíbios (Loyola et al.,2013; Lemes et al., 2014) e
aves (Souza et al. 2011), evidencia-se uma faixa de alta riqueza ocorrendo em uma grande
área ao longo da costa do Rio de Janeiro à Santa Catarina, acompanhando a Serra do Mar.
Esse padrão foi corroborado no presente estudo. Souza et al. (2011) encontrou uma maior
riqueza de espécies também em uma pequena área que abrange o sul de Santa Catarina e
norte do Rio Grande do Sul, o que foi corroborado no presente estudo.
As maiores perdas no futuro estão previstas para duas grandes regiões: a primeira
localiza-se na sub-região biogeográfica Serra do Mar, na divisa com a sub-região Interior,
de acordo com a delimitação biogeográfica de Silva & Casteleti (2003). Segundo Ribeiro
et al. (2009) essa última é a maior sub-região da Mata Atlântica (49% do bioma), mas
apresenta o menor percentual de cobertura florestal, correspondendo a apenas 7% da sua
área total, sendo 6,8% localizados em Unidades de Conservação. A segunda região com
grandes perdas é a sub-região biogeográfica de Pernambuco (delimitada por Silva &
Casteleti, 2003). Nessa sub-região encontra-se o conhecido Centro de Endemismo de
Pernambuco (Silva et al., 2004). A região está em situação crítica e representa um das
áreas mais degradadas do bioma, abrigando dezenas de espécies ameaçadas de extinção
devido à perda de habitat. A sub-região Pernambuco apresenta apenas 12% de cobertura
florestal, com apenas 1% localizado em Unidades de Conservação (Ribeiro et al., 2009).
Embora a maioria das áreas de maior riqueza de aves tenha apresentado grande
contração nas projeções em cenário de mudanças climáticas, os modelos também
previram alguns ganhos. Um aumento de riqueza está previsto para uma área considerável
no sul da Mata Atlântica. O ganho é encontrado na sub-região biogeográfica da Serra do
Mar (delimitada por Silva & Casteleti, 2003) na divisa com a sub-região biogeográfica
Araucária (delimitada por Silva & Casteleti, 2003), a qual representa 17% da Mata
Atlântica, com 12,6% de cobertura florestal, sendo apenas 3% localizados em Unidades
de Conservação (Ribeiro et al., 2009). Ferro et al. (2014) também encontraram um
aumento de riqueza de mariposas em cenário futuro de mudanças climáticas nessa mesma
região. Esses resultados corroboram o padrão bem estabelecido de deslocamento de
distribuições geográficas em direção aos polos, como forma de compensar o aumento de
temperatura associado com mudanças climáticas. Essas regiões, portanto, podem se
tornar importantes para a conservação das espécies no futuro.

39
Será, no entanto, que as modelagens de distribuição geram projeções confiáveis em
cenários de mudanças climáticas? Um estudo fazendo previsões retroativas da
distribuição de aves no Reino Unido em 1970 e 1990 a partir de modelagens de
distribuição encontrou resultados contraditórios, onde algumas aves apresentaram boa
correspondência entre a distribuição prevista pela modelagem e a distribuição observada,
enquanto muitas outras não apresentaram correspondência alguma (Araújo & Rabek,
2006). Por isso, as previsões dos efeitos das alterações climáticas sobre a biodiversidade
gerados a partir de modelagem de distribuição, assim como sugestões de estratégias de
adaptação associadas, devem ser intepretadas com cautela para o planejamento da
conservação (Rangel & Loyola, 2012). A metodologia em modelagem de distribuição, no
entanto, vem avançando bastante. Nesse contexto, a utilização de modelos preditivos
baseados em abordagem de consenso (ensemble forecasting) deve ser adotada em
oposição a modelos de distribuição de espécies baseados apenas em um algoritmo de
modelagem. Está bem estabelecido que as maiores diferenças das projeções de
distribuições de espécies em cenários futuros são causadas muito mais pelo uso de
diferentes algoritmos do que pelo uso de diferentes Modelos de Circulação Geral (Diniz-
Filho et al., 2009, Buisson et al., 2010). A combinação de diversos modelos na abordagem
de ensemble gera melhores previsões (Araújo & New, 2007), minimizando as variações
existentes entre os resultados de diferentes algoritmos e assim diminuindo as incertezas e
tornando os resultados mais robustos. No nosso estudo, por exemplo, dentre as espécies
que devem perder toda sua área de distribuição no futuro, três são espécies cujos modelos
de distribuição foram construídos a partir de apenas dois algoritmos (Touit melanonotus,
Myrmotherula urosticta e Phylloscartes beckeri), pois os demais não atingiram um valor
de TSS aceitável. Assim, a utilização de diferentes algoritmos é altamente recomendável,
pois incertezas podem interferir negativamente nos esforços de conservação (Rangel &
Loyola, 2012).
Além disso, é importante lembrar que os modelos de distribuição tipicamente não
levam em conta outros fatores, como o aumento do nível do mar, a capacidade de
dispersão das espécies e as interações ecológicas. O aumento do nível do mar quase não
é incorporado nos estudos e pode reforçar a ameaça para as espécies que ocorrem em
ambientes costeiros, como é o caso do formigueiro-do-litoral (Formicivora littoralis) e
do bicudinho-do-brejo (Stymphalornis acutirostris) no nosso estudo. Sabemos que a
futura distribuição da espécie será determinada não só pelo clima, mas por sua limitação
de dispersão, pela disponibilidade de habitat e por interações ecológicas. A dificuldade

40
em incorporar esses fatores ainda são as maiores limitações da modelagem de distribuição
de espécies (Peterson et al., 2011). Atritos bióticos ocasionados pela redistribuição das
espécies também não são contabilizados nas modelagens de distribuição. Um estudo com
redistribuição de aves do Cerrado sob mudanças climáticas, por exemplo, aponta para um
deslocamento de espécies para o sudeste, ou seja, para a Mata Atlântica (Marini et. al.,
2009), o que poderia afetar a avifauna local através do estabelecimento de novas
interações ecológicas, como competição e predação. As aves da Mata Atlântica também
podem ser afetadas pela disponibilidade de recursos, devido à contração e deslocamento
da distribuição de muitas espécies de árvores do bioma previstas em cenário de mudanças
climáticas (Colombo & Joly, 2010).
Apesar da incerteza que envolve as projeções climáticas de distribuição das
espécies, a proteção da biodiversidade é uma estratégia que trará benefícios sob qualquer
cenário (Hannah et al., 2002). Visto que ainda existem poucos estudos sobre os impactos
das mudanças climáticas sobre a biodiversidade Neotropical (Vale et al., 2009), as
modelagens de distribuição de espécies representam as melhores ferramentas disponíveis
no momento. À medida que as mudanças climáticas avançam em ecossistemas já
fortemente afetados pelos seres humanos, é necessário desenvolver pesquisas para
melhorar a nossa capacidade de prever a vulnerabilidade dos ambientes naturais e tentar
aumentar sua capacidade de resistência (Moritz & Agudo, 2013). Para as espécies
potencialmente sensíveis, todos os esforços devem ser feitos para minimizar outros
fatores de estresse sobre a viabilidade da população (Moritz &Agudo, 2013), como por
exemplo, o estabelecimento de Unidades de Conservação. É preciso, no entanto,
estabelecer prioridades para a conservação, porque não podemos fazer tudo, em todos os
lugares, ao mesmo tempo. A abordagem estruturada do Planejamento Sistemático para
Conservação oferece aos tomadores de decisão um sistema de suporte à decisão,
permitindo criar diferentes cenários e, assim, identificar qual o melhor sistema de
Unidades de Conservação que garanta as metas de conservação com menor custo e
conflito socioeconômico.
A realização das análises de priorização espacial utilizando os municípios como
unidades de planejamento são de grande utilidade, tanto pelo fato de que este tipo de
unidade facilita a atribuição dos custos de ações de conservação, quanto por
representarem as menores unidades administrativas de tomada de decisão. Nosso estudo
é o primeiro na América do Sul a usar município como unidade de planejamento em
conjunto com o tamanho populacional humano e, sobretudo, a cobertura florestal como

41
custos no processo de priorização de áreas protegidas. Através dessa abordagem,
garantimos que as áreas mais antropizadas e que gerarão mais conflitos de conservação
não entrarão na rede de áreas selecionadas. Porém, foram selecionadas áreas muito
extensas (mesmo sem utilização do BLM), em relação às unidades de conservação,
tornando inviável na prática o estabelecimento de unidades de conservação em toda essa
extensão. A grande maioria (70%) das 466 das unidades de conservação analisadas no
trabalho têm menos que 10km². Já os munícipios analisados apresentam em média
410km² contra uma média de 82km² de unidades e conservação. Um município sozinho
muitas vezes já é muito maior que a maioria das unidades de conservação existentes e
somente 15 unidades de conservação analisadas apresentam uma área maior que a média
das áreas dos municípios analisados.
A utilização da agregação (BLM), tornou as soluções ainda menos factíveis, embora
a agregação tenha sido importante para observar as principais regiões onde estão as áreas
prioritárias. Já com a não utilização do BLM foram necessários 178.520 km² no presente
e 167.925 km² em cenário de mudanças climáticas, o que representa 72% e 62%,
respectivamente, do resultado necessário com a utilização do BLM. Vale salientar
também que quanto maior o número de espécies, maior será o tamanho das áreas
selecionadas. Uma provável explicação para uma menor área de municípios selecionados
no cenário futuro sem a utilização do BLM pode ser o fato de que no cenário de mudanças
climáticas as espécies apresentam distribuições mais reduzidas do que no presente.
Mesmo com as elevadas áreas resultantes na seleção de áreas prioritárias, os municípios
como unidades de planejamento são adequados, selecionando os principais municípios
para a criação de áreas protegidas dentro de suas extensões. Esta abordagem pode
fornecer direcionamentos gerais para estratégias de conservação em escalas de maior
detalhe, que podem então focar em paisagens e em fragmentos florestais em situação de
menor conflitos para conservação.
Dentre os nossos resultados podemos destacar os municípios que foram
selecionados tanto no cenário presente quanto no cenário de mudanças climáticas.
Excluindo os 15 municípios que foram obrigatoriamente incluídos nas soluções, 192
municípios foram selecionados em ambos os cenários. A grande maioria tem uma
prioridade alta para a criação de novas Unidades de Conservação, visto que 82%
apresentam menos de 5% da sua área compreendida dentro das unidades analisadas.
Apenas 28% desses municípios apresentam pelo menos de 30% de cobertura florestal.
Esses municípios são, portanto, extremamente importantes e o estabelecimento de

42
Unidades de Conservação dentro de seus limites poderia garantir a manutenção de muitas
espécies não apenas no presente, mas também no futuro sob mudanças climáticas. Esses
192 municípios representam 60% e 62% da amostra total dos municípios selecionados no
presente e futuro, respctivamente.
O nosso trabalho indica a necessidade de aumentar as áreas protegidas no Brasil,
como já apontado por outros estudos (p. ex. Silva et al., 2008; Loyola et al., 2013; Marini
et al., 2009). Dos municípios selecionados no presente estudo, a grande maioria apresenta
porcentagens irrelevantes de Unidades de Conservação dentro de seus limites, reiterando
o que foi encontrado em outros estudos. A atual rede de Unidades de Conservação da
Mata Atlântica não contempla as 20 espécies de primatas do bioma (Pinto & Grelle, 2009)
e não são eficazes na proteção de anfíbios no futuro sob alterações climáticas (Lemes et
al., 2014). Isso também acontece em outros biomas: nenhuma ave do Cerrado analisada
por Marini et al. (2009) apresenta a proteção esperada no cenário presente e nem no
cenário futuro, mesmo considerando todas as categorias de Unidades de Conservação
(não apenas as de Proteção Integral).
No nosso estudo, as Unidades de Conservação coincidem, em geral, com as áreas
de maior riqueza de aves, como é o caso das UCs da região sudeste e sul do Brasil. O
mesmo acontece com mariposas e anfíbios na Mata Atlântica (Ferro et al., 2014; Lemes
et al. 2014). Isso estaria em desacordo, em parte, com a noção de que as Unidades de
Conservação, por serem criadas de forma oportunista, não são eficientes na conservação
da biodiversidade (Margulis & Pressey, 2000). Contudo, isso poderia ser reflexo de vieses
na amostragem dos registros das espécies. Já existem estudos indicando que áreas de
maior riqueza na Mata Atlântica coincidem com “área de vida” dos taxonomistas e
proximidades de centros de pesquisa (Werneck et al., 2011; Pinto & Grelle, 2011). Para
angiospermas, por exemplo, muitas das áreas de maior riqueza localizam-se em regiões
de cadeias montanhosas, sendo que a atratividade de diferentes paisagens encontradas
nestas áreas montanhosas contribui para o viés de amostragem observado (Werneck et
al., 2011). Paralelamente, áreas montanhosas também costumam apresentar maior
número de Unidades de Conservação, criadas em função de beleza cênica, proteção de
mananciais hídricos, além de menor aptidão para uso agropecuário.
As redes de áreas protegidas devem aumentar a sobrevivência de espécies em
cenário de mudanças climáticas, sendo assim essenciais para a conservação. Neste
contexto, a criação de novas áreas parece ser uma tarefa imprescindível, embora
desafiadora (Hannah et al., 2007). Um estudo na África aponta para um confinamento de

43
aves em áreas protegidas ao longo do tempo (Sinclair et al., 2002). Na Europa, áreas
protegidas podem manter uma adequação climática para plantas, mamíferos, aves e
répteis em cenário futuro melhor do que em áreas não protegidas (Araújo et al., 2011). O
estabelecimento de áreas protegidas adicionais é imperativo para um aumento da eficácia
e confiabilidade dos processos ecológicos em escalas regionais.
Um estudo realizado com modelagem de distribuição em três regiões do mundo
(África do Sul, México e Europa) revelou que entre 6% e 22% das espécies não atingiram
as metas de representação futuras (Hannah et al., 2007). Como nenhuma das áreas
selecionadas irá satisfazer todos os alvos de conservação, os autores propõe um aumento
de áreas protegidas para uma melhor preservação da biodiversidade em cenários de
mudanças climáticas. O estudo identificou, diferentemente do nosso estudo, mais áreas
para proteger no futuro do que no presente, além de observar que as áreas no presente já
não protegem muitas espécies e protegerão ainda menos no futuro (Hannah et al., 2007).
No nosso estudo, no entanto, conseguimos contemplar as metas de conservação de todas
as espécies tanto no presente quanto no futuro.
Em território nacional existem poucos estudos de avaliação e seleção de Unidades
de Conservação em um cenário de mudanças climáticas. A maioria dos estudos realizados
focalizou apenas cenários atuais. Uma análise com fauna, flora e ecossistemas na Serra
do Espinhaço, no Cerrado, revelou que as Unidades de Conservação protegem apenas
58% das espécies e ecossistemas, o que gerou a recomendação de criação de 27 novas
áreas protegidas na região (Silva et al., 2008). Pinto & Grelle (2011) realizaram a seleção
de áreas prioritárias para primatas endêmicos da Mata Atlântica no presente, utilizando
dados populacionais humanos e municípios. Cinco dos nove municípios selecionados por
Pinto e Grelle (2011) também foram selecionados para a conservação de aves no nosso
estudo. O munícipio de Silva Jardim (RJ) é de grande importância para ambos os grupos
estudados, sendo, no nosso trabalho, insubstituível tanto no presente quanto em cenário
de mudanças climáticas. Já Passo do Camaragibe (AL), Una (BA) e Cananéia (SP) foram
selecionados apenas no presente em nosso estudo. O município de Gália (SP) também foi
insubstituível no cenário de mudanças climáticas no nosso estudo. Esses resultados
indicam que esses municípios têm importância crucial para a conservação de diferentes
grupos de animais estudados na Mata Atlântica.
Entre os estudos analisando efeitos de mudanças climáticas na Mata Atlântica,
Lemes et al. (2014) indicam que as áreas protegidas neste bioma tendem a se tornar menos
eficazes para a conservação de anfíbios em cenário futuro. O estudo também aponta que

44
as áreas protegidas localizadas na região mais ao sul do bioma teriam mais espécies que
um modelo nulo, em uma tendência de ganhar espécies. Estes autores recomendam a
criação de novas Unidades de Conservação nas regiões de maiores altitudes. Um outro
estudo que também analisou anfíbios em cenário de mudanças climáticas (Loyola et al.,
2013) indica uma necessidade de complementação das áreas protegidas. Assim como
nosso estudo, estes autores identificam áreas prioritárias em diferentes regiões da Mata
Atlântica, com uma maior concentração na parte norte do bioma para as unidades
insubstituíveis. Loyola et al. (2013) utilizam unidades de planejamento quadriculares e
não fazem a opção da agregação.
Esses impactos negativos de contração de distribuição são, na maioria dos casos,
em áreas não protegidas devido à sua menor riqueza de espécies de interesse de
conservação. Estudos futuros devem concentrar-se em definir as grandes lacunas em
redes de áreas protegidas em vários habitats e biomas. Não há dúvida de que os impactos
previstos afetarão o planejamento da conservação nos próximos anos e, portanto, mais
pesquisas devem focar no desenvolvimento de uma melhor compreensão da eficácia de
conservação em climas futuros (Araújo et al., 2004).
A cobertura de Unidades de Conservação é muito desigual entre os biomas
brasileiros, com alguns sendo muito pouco protegidos, como o Pampa, a Caatinga e a
Mata Atlântica, enquanto a Amazônia é relativamente bem protegida. Isto é
provavelmente devido ao fato da maioria das reservas brasileiras terem sido criadas sem
o uso do Planejamento Sistemático para Conservação, e sim com base em critérios
políticos, socioeconômicos e estéticos. Nosso estudo dirige-se a contribuir para a
melhoria no planejamento de redes de áreas protegidas na Mata Atlântica, que possam ser
eficientes no presente e também no futuro de mudanças climáticas. Contudo, nosso
estudo apresenta limitações. As soluções de conservação que encontramos, por exemplo,
incorporam apenas a Mata Atlântica brasileira, porém o bioma apresenta uma pequena
área de extensão na Argentina e Paraguai (Olson et al., 2001)
Ressaltamos também que para espécies que apresentam um endemismo muito
restrito nossa análise deve ser interpretada com cautela, pois essas espécies são altamente
dependentes de hábitat específico e fortemente localizado. Stymphornis acutirostris, por
exemplo, é uma espécie especializada em ambientes de brejos e manguezais. Ela está
restrita à planície litorânea localizada principalmente no interior de baías e nos trechos
mais a jusante de rios que nelas deságuam, em planícies aluviais e entre cordões de dunas
em planície costeira, vivendo na vegetação herbácea (Reinertet al., 2007). De modo

45
similar, Formicivora littoralis, uma espécie endêmica das restingas ao longo de alguns
kilômetros da costa fluminense, também está fortemente associada a restingas arbustivas
(Mattos et al.,2009). Além disso, como mencionado anteriormente, as duas espécies estão
restritas a habitats costeiros, que podem desaparecer em cenários de mudanças climáticas
que levem em consideração o aumento do nível do mar. Nessas espécies, o habitat (e não
o clima) é o principal preditor da área de distribuição e, consequentemente, a modelagem
superestima a área de distribuição dessas espécies. A nossa previsão para essas espécies
é, portanto, otimista. Assim, mesmo que todas as espécies do nosso estudo tenham sido
contempladas na seleção de áreas prioritárias, para espécies com endemismo restrito
outras análises e critérios devem ser utilizados para selecionar áreas prioritárias.
É importante notar também que muitas espécies não entraram nas análises devido
à falta de dados. Algumas dessas espécies são raras, com poucos registros de ocorrência
e já apresentam um status de conservação relacionado a categrorias de maior ameaça.
Existem espécies que já estão inclusive extintas na natureza, como o mutum-do-nordeste
(Pauxi mitu) (Silveira et al., 2004), o caburé-de-pernambuco (Glaucidium mooreorum) e
o limpa-folha-do-nordeste (Philydor novaesi) (Pereira et. al., 2014). No caso da
choquinha-fluminense (Myrmotherula fluminensis), por exemplo, há somente o registro
associado a sua descrição em 1988, com taxonomia questionável (BirdLife International,
2012). A maior parte das espécies não analisadas já está criticamente em perigo, devido,
em geral, ao tamanho populacional reduzido, baixa abundância e distribuição restrita.
Como essas espécies não foram analisadas neste estudo, a estimativa do número de aves
endêmicas da Mata Atlântica que devem perder área de distribuição está provavelmente
subestimado.

46
6. CONCLUSÃO

O presente estudo aponta para uma importante redução na área de distribuição para
a maioria das espécies de aves endêmicas da Mata Atlântica em cenários futuros de
mudanças climáticas. A redução na distribuição das espécies se reflete em uma contração
generalizadas das áreas com maior riqueza de espécies na Mata Atlântica em cenários de
mudanças climáticas. Há um aumento previsto da riqueza em algumas poucas e pequenas
regiões, sobretudo no sul do bioma. A redução da distribuição e riqueza das espécies se
intensifica nas projeções para 2080 em comparação com 2050.
Algumas espécies com previsões particularmente preocupantes são: Acrobatornis
fonsecai, Claravis geoffroyi, Leptodon forbesi, Myrmotherula urosticta, Phylloscartes
beckeri, Phylloscartes ceciliae, Stymphalornis acutirostris, Terenura sicki e Touit
melanonotus. É importante salientar, no entanto, que a análise utilizada não é adequada para
espécies que apresentam endemismo muito restrito, como por exemplo, Formicivora
littoralis e Stimphalornis acutirostris, cujas áreas de distribuição estão provavelmente
sobrestimadas. Além disso, a maioria das espécies que não entraram nas análises por falta
de dados , são raras e ameaçadas e, portanto, extremamente preocupantes, e
possivelmente também ameaçadas pelas mudanças climpáticas.
O planejamento sistemático de conservação gerou soluções finais que
contemplaram todas as espécies, de acordo com a meta estabelecida, nos dois cortes
temporais analisados (presente e 2050). Ao fazer a sobreposição dos mapas dos
municípios selecionados no presente e no cenário futuro, foi possível identificar
municípios que são comuns a ambos, ou seja, que se mantêm prioritários para
conservação em cenário futuro de mudanças climáticas. Esses municípios são
extremamente importantes e o estabelecimento de unidades de conservação dentro de
seus limites poderia garantir a manutenção de muitas espécies não apenas no presente,
mas também no futuro sob mudanças climáticas.
Comparando as unidades de planejamento selecionadas com a atual rede de
unidades de conservação do Brasil, observamos que um número muito reduzido de
municípios selecionados como prioritários têm unidades de conservação. Concluímos,
portanto, que a rede atual de unidades de conservação não protege adequadamente as aves
endêmicas da Mata Atlântica nem hoje, nem em cenários futuros de mudanças climáticas
e recomendamos que os municípios selecionados como prioritários tanto no presente

47
como em cenários futuros de mudanças climáticas sejam priorizados para a criação de
novas unidades de conservação.

7. REFERÊNCIAS

AB’SABER, A.N. 1977. Os domínios morfoclimáticos na América do Sul.


Geomorfologia, 52, 1–23.
ALLOUCHE, O., TSOAR, A., KADMON, R. 2006. Assessing the accuracy of species
distribution models: prevalence, kappa and the true skill statistic (TSS). Journal of
Applied Ecology, 43(6), 1223–1232.
ARAÚJO, M. B., ALAGADOR, D., CABEZA, M., NOGUES-BRAVO, D., THUILLER,
W. 2011. Climate change threatens European conservation areas. Ecol. Lett.
14:484–492.
ARAÚJO, M.B., CABEZA, M., THUILLER, W., HANNAH, L., WILLIAMS, P.H.
2004. Would climate change drive species out of reserves? An assessment of
existing reserve selection methods. Global Change Biology, 10, 1618–1626.
ARAÚJO, M.B, & NEW, M. 2007. Ensemble forecasting of species distributions. Trends
in Ecology & Evolution, 22(1), 42–7.
ARAÚJO, M.B. & RAHBEK, C. 2006. How does climate change affect biodiversity?
Science, 313: 1396-1397.
ARAÚJO, M.B., WILLIAMS, P.H., TURNER, A. 2002. A sequential approach to
minimise threats within selected conservation areas. Biodiversity and
Conservation11: 1011–1024.
BALL, I.R. & POSSINGHAM, H.P. 2000. MARXAN (v1.8.2): Marine reserve design
using spatially explicit annealing. A manual prepared for The Great Barrier Reef
Marine Park Authority. P. 69. [WWW document]. URL
http://www.uq.edu.au/marxan/docs/marxan_manual_1_8_2. pdf
BALMFORD, A.; MOORE, J. L.; BROOKS, T.; BURGESS, N.; HANSEN, L. A.;
WILLIAMS, P.; RAHBEK, C. 2001. Conservation conflicts across Africa. Science,
291, 2616–2619.
BENCKE, G.A., MAURÍCIO, G.N., DEVELEY, P.F., GOERCK, J.M. 2006. Áreas
Importantes para a Conservação das Aves no Brasil. Parte I - Estados do Dominínio
da Mata Atlântica. São Paulo: SAVE Brasil, 494 p.

48
BIRDLIFE INTERNATIONAL. 2012. Myrmotherula fluminensis. The IUCN Red List
of Threatened Species. Version 2014.3. <www.iucnredlist.org>. Downloaded
on 18 December 2014.
BRUNER, A.G., GULLISON. R.E., RICE. R.E, DA FONSECA. G.A.B. 2001.
Effectiveness of parks in protecting tropical biodiversity. Science 291:125–128.
BUISSON, L., THUILLER, W., CASAJUS, N., LEK, S. & GRENOUILLET, G. 2010.
Uncertainty in ensemble forecasting of species distribution. Global Change
Biology, 16: 1145-1157.
CARDILLO, M.; MACE, G.M.; JONES, K.E.; BIELBY, J.; BININDA-EMONDS,
O.R.P.; SECHREST, W.; ORME, C.D.L.; PURVIS, A. 2005. Multiple causes of
high extinction risk in large mammal species. Science, 309, 1239-1241.
CARPENTER, G., GILLISON, A.N., WINTER, J. 1993. DOMAIN : a flexible modelling
procedure for mapping potential distributions of plants and animals. Biodiversity
and Conservation, 2, 667–680.
CERQUEIRA, R. 1995. Determinação de distribuições potenciais de espécies, p. 141-
161. In: P. Peres-Neto; J.L. Valentin & F.A.S. Fernandes (Eds). Oecologia
Brasiliensis. Rio de Janeiro, Programa de Pós-Graduação em Ecologia, Instituto de
Biologia, Universidade Federal do Rio de Janeiro, vol. 2, 161p
CINCOTTA, R.P., WISNEWSKI, J., ENGELMAN, R. 2000 Human population in
biodiversity hotspots. Nature404: 990–992.
COLOMBO, A.F. & JOLY, C. A. 2010. Brazilian Atlantic Forest lato sensu: the most
ancient Brazilian forest, and a biodiversity hotspot, is highly theatened by climate
change. Brazilian. Journal of Biology, v. 70(3), p. 697-708.
CROUZEILLES, R. , VALE, M. M., SILVA, R. C., GRELLE, C. E. 2013. Increasing
strict protection through protected areas on Brazilian private lands. Environmental
Conservation, v. 40, p. 209-210.
DINIZ-FILHO, J.A.F., BINI, L.M., PINTO, M.P., RANGEL, T.F.L.V.B., CARVALHO,
P., BASTOS, R.P. 2006 Anuran species richness, complementarity and
conservation conflicts in Brazilian Cerrado. Acta Oecologica 29: 9–15.
DINIZ-FILHO, J.A.F., BINI, L.M., PINTO, M.P., RANGEL, T.F.L.V.B., CARVALHO,
P., VIEIRA, S.L., BASTO, R.P., 2007. Conservation biogeography of anurans in
Brazilian Cerrado. Biodivers Conserv 16:997–1008.
DINIZ-FILHO, J.A.F., BINI, L.M., RANGEL, T.F., LOYOLA, R.D., HOF, C.,
NOGU´S-BRAVO, D., ARAÚJO, M.B. 2009. Partitioning and mapping

49
uncertainties in ensembles of forecasts of species under climate change. Ecography,
32: 897-906.
EGLINGTON, S.M. & PEARCE-HIGGINS, J.W. 2012. Disentangling the relative
importance of changes in climate and land-use intensity in driving recent bird
population trends. PloS One, 7(3):e30407.
ELITH, J. & GRAHAM, C.H. 2009. Do they? How do they? Why do they differ? On
finding reasons for differing performances of species distribution models.
Ecography, 32: 66-77
ELITH, J., GRAHAM, C.H., ANDERSON, R.P., et al. 2006. Novel methods improve
prediction of species’ distribution from occurrence data. Ecography, 29: 129-151.
FALEIRO, F. V. & LOYOLA, R.D., 2013. Socioeconomic and political trade-offs in
biodiversity conservation: a case study of the Cerrado Biodiversity Hotspot, Brazil.
Diversity and Distributions, 19: 977-987.
FEELEY, K.J. & SILMAN, M.R. 2010. Modelling the responses of Andean and
Amazonian plant species to climate change: the effects of georeferencing errors and
the importance of data filtering. Journal of Biogeography, 37, 733–740.
FERRIER, S., & WINTLE, B.A. 2009. Quantitative approaches to spatial conservation
prioritization: matching the solution to the need. Spatial conservation prioritization:
quantitative methods and computational tools (ed. by A. Moilanen, K.A. Wilson
and H.P. Possinghami), pp. 1–15. Oxford University Press, Oxford, UK.
FERRO VG, LEMES P, MELO AS, LOYOLA R. 2014. The Reduced Effectiveness of
Protected Areas under Climate Change Threatens Atlantic Forest Tiger Moths.
PLOS ONE 9 (9): e107792. doi: 10.1371 / journal.pone.0107792
FRANKLIN, J. 2009. Mapping Species Distribution: Spatial Inference and Prediction.
Cambridge, UK: Cambridge University Press. 320p.
GAME, E. T.&. GRANTHAM,H. S. 2008. Marxan User Manual:For Marxan version
1.8.10.University of Queensland, St. Lucia, Queensland, Australia, and Pacific
Marine Analysis and Research Association, Vancouver, British Columbia, Canada.
GARCIA, R. &ARAÚJO, M.B. 2010. Planejamento para a conservação em um clima em
mudança. Natureza & Conservação 8(1):78-80.
GUISAN, A.& ZIMMERMANN, N.E. 2000. Predictive habitat distribution models in
ecology. Ecological Modelling, 135: 147-186.
GUO, Q.& LIU, Y. 2000. ModEco: an integrated software package for ecological niche
modeling. Ecography, 33: 1-6.

50
HADDAD, C.F.B, GIOVANELLI, J.G.R., ALEXANDRINO, J., 2008. O aquecimento
global e seus efeitos na distribuição e declínio dos anfíbios. In: Buckeridge MS
(ed.). A Biologia e as Mudanças Climáticas no Brasil. São Carlos: RiMa Editora.
p. 195-206.
HAMANN, A. & AITKEN, S.N.2013Conservation planning under climate change:
accounting for adaptive potential and migration capacity in species distribution
models. Diversity and Distributions, 19, 268–280.
HANNAH, L., MIDGLEY, G., ANDELMAN, S., ARAÚJO, M., HUGHES, G.,
MARTINEZ-MEYER, E., PEARSON, R., , WILLIAMS, P., 2007. Protected area
needs in a changing climate. Frontiers in Ecology and the Environment 5:3, 131-
138
HIJMANS, R.J et al. 2005. Very high resolution interpolated climate surfaces for global
land areas. International Journal of Climatology, 25, 1965-1978.
HOLE, D.G., WILLIS, S.G., PAIN, D.J., FISHPOOL, L.D., BUTCHART, S.H.M.,
COLLINGHAM, Y.C., RAHBEK, C., HUNTLEY, B., 2009. Projected impacts of
climate change on a continent-wide protected area network. Ecol. Lett. 12:420–
431.
HOLT, R.D. 1990. The microevolutionary consequences of climate change. Trends in
Ecology and Evolution, 5: 311-315.
IBAMA & WWF-BRASIL. 2007. Efetividade de Gestão das Unidades de Conservação
Federais do BRASI. Brasília, DF. 98p
INSTITUTO DO HOMEM E MEIO AMBIENTE DA AMAZÔNIA (IMAZON). 2014.
Áreas Protegidas na Amazônia Brasileira: avanços e desafios. URL:
http://imazon.org.br/areas-protegidas-na-amazonia-brasileira-avancos-e-desafios-
2/.
IPCC (Intergovernmental Panel on Climate Change). 2007. Climate Change 2007:
Synthesis Report. Cambridge University Press, Cambridge. 133p.
IPCC. 2013. Summary for Policymakers. In Climate Change 2013: The Physical Science
Basis. Contribution of Working Group I to the Fifth Report of the
Intergovernmental Panel on Climate Change. Cambridge University Press,
Cambridge, United Kingdom and New York, NY, USA.
JETZ, W., WILCOVE, D. S., DOBSON, A. P. 2007. Projected impacts of climate and
land-use change on the global diversity of birds. PLoS Biol. 5, 1211–1219 .

51
LAURANCE, W.F.; ALBERNAZ, A.K.M.; SCHROTH, G.; FEARNSIDE, P.M.;
BERGEN, S.; VENTICINQUE, E.M.; COSTA, C. 2002. Predictors of
deforestation in the Brazilian Amazon. Journal of Biogeography, 29, 737-748.
LEMES, P, MELO, A. S., LOYOLA, R. D. 2014. Climate change threatens protected
areas of the Atlantic Forest. Biodiversity and Conservation (Dordrecht. Online) , v.
23, p. 357-368.
LIU, C.R., P.M. BERRY, T.P. DAWSON., R.G. PEARSON. 2005. Selecting thresholds
of occurrence in the prediction of species distributions. Ecography 28: 385-393.
LIU, C., WHITE, M. & NEWELL, G. 2013. Selecting thresholds for the prediction of
species occurrence with presence-only data. Journal of Biogeography, 40,778–
789.LOBO, J. M.& TOGNELLI, M. F. 2011. Exploring the effects of quantity and
location of pseudo-absences and sampling biases on the performance of distribution
models with limited point occurrence data. Journal for Nature Conservation, 19: 1-
7.
LOYOLA R.D., LEMES P., BRUM F.T., PROVETE D.B., DUARTE L.D.S. 2014.
Clade-specific consequences of climate change to amphibians in Atlantic Forest
protected areas. Ecography, 37 pp. 65–72
LOYOLA, R D. , LEMES, P , NABOUT, J C , TRINDADE-FILHO, J , SAGNORI, M
D., DOBROVOLSKI, R , DINIZ-FILHO, J A F. 2013 A straightforward conceptual
approach for evaluating spatial conservation priorities under climate change.
Biodiversity and Conservation (Dordrecht. Online) , v. 22, p. 483-495.
LUCK, G.W. 2007. A review of the relationships between human population density and
biodiversity. Biological Reviews82: 607–645.
LUCK, G.W.; RICKETTS, T.H.; DAILY, G.C.; IMHOFF, M. 2004. Alleviating spatial
conflict between people and biodiversity. Proceedings of the National Academy of
Sciences USA, 101,182-186.
MALCOLM, J. R., LIU, C., NEILSON, R. P., HANSEN, L. & HANNAH, L.
2006. Global warming and extinctions of endemic species from biodiversity
hotspots. Conserv. Biol. 20, 538–548.
MARENGO, J.A. 2007. Mudanças Climáticas Globais e seus Efeitos sobre a
Biodiversidade. 2a Ed. Ministério do Meio Ambiente. Brasília.
MARGULES, C& PRESSEY 2000. Systematic conservation planning. Nature 405: 243-
253.

52
MARGULES, C.& SARKAR, S. 2007. Systematic conservation planning. Cambridge
University Press, Cambridge, 270p.
MARINI, M. A, BARBET-MASSIN, M. , MARTINEZ, J. , PRESTES, N. P. , JIGUET,
F. 2010. Applying geographical distribuiton niche models to plan conservation
actions for the Red-spectacled Amazon (Amazona pretrei). Biological
Conservation , v. 143, p. 102-112.
MARINI, M.A, BARBET-MASSIN, M. , LOPES, L. E. , JIGUET, F. 2009. Predicted
climate-driven bird distribution changes and forecasted conservation conflicts in a
neotropical savanna. Conservation Biology, v. 23, p. 1558-1567.
MARINI, M.A. & GARCIA, F.I. 2005. Conservação de aves no Brasil. Megadiversidade,
1:95-102.
MATTOS, J.C.F., VALE, M.M., VECCHI, M.B. & ALVES, M.A.S., 2009. Abundance,
distribution and conservation of Formicivora littotalis (Aves: Thamnophilidae).
Bird Conserservation International 19: (in press).
MILES, L., GRAINGER, A., PHILLIPS, O. 2004. The impact of global climate change
on tropical forest biodiversity in Amazonia. Global Ecology and Biogeography 13
(6): 553-565.
MORITZ, C., & AGUDO, R. 2013. The Future of Species Under Climate Change:
Resilience or Decline? Science, 341, 504–508.
MOILANEN, A., WILSON, K.A., POSSINGHAM, H.P. 2009. Spatial conservation
prioritization. Quantitative methods & computational tools. Oxford University
Press, Oxford,304p.
MYERS, N., MITTERMEIER, R.A., MITTERMEIER, C.G., FONSECA, G.A.B.,
KENT, J. 2000. Biodiversity hotspots for conservation priorities. Nature, 403: 853-
858
NAKICENOVIC, N.& SWARTZ, R. 2000. Emission Scenarios. Special Report of the
Intergovernmental Panel on Climate Change. Cambridge University Press.
Cambridge.
OLSON, D. M., DINERSTEIN, E., WIKRAMANAYAKE, E. D., BURGESS, N. D.,
POWELL, G. V. N., UNDERWOOD, E. C., D'AMICO, J. A., ITOUA, I.,
STRAND, H. E., MORRISON, J. C., LOUCKS, C. J., ALLNUTT, T. F.,
RICKETTS, T. H., KURA, Y., LAMOREUX, J. F., WETTENGEL, W. W.,
HEDAO, P., KASSEM, K. R. 2001. Terrestrial ecoregions of the world: a new map
of life on Earth. Bioscience 51(11):933-938.

53
PBMC. 2013. Painel Brasileiro de Mudanças Climáticas. Disponível em <http://www.
pbmc.coppe.ufrj.br/pt/>
PEARSON, R. G., & DAWSON, T. P. 2003. Predicting the impacts of climate change on
the distribution of species: are bioclimate envelope models useful? Global Ecology
and Biogeography, 12(5), 361–371.
PEREIRA, G. A. , DANTAS, S.M. , SILVEIRA, L. F. , RODA, S. A , Albano, C. ,
SONNTAG, F. A. , LEAL, S. , PERIQUITO, M. C. , MALACCO, G. B. , LEES,
A. C. 2014. Status of the globally threatened forest birds of northeast Brazil. Pap.
Avulsos Zool. (São Paulo) [online]., vol.54, n.14, pp. 177-194.
PETERSON, A.T., ORTEGA-HUERTA, M.A., BARTLEY, J., SÁNCHEZ-CORDERO,
V., SOBERÓN, J., BUDDEMEIER, R.H. & STOCKWELL, D.R.B. 2002. Future
projections for Mexican faunas under global climate change scenarios. Nature, 416:
626-629.
PINTO, M.P. & GRELLE, C.E.V. 2009. Reserve selection and persistence:
complementing the existing Atlantic Forest reserve system. Biodiversity and
Conservation 18: 957-968
PINTO, M.P. & GRELLE, C.E.V. 2011. Minimizing conservation conflict for endemic
primate species in Atlantic forest and uncovering knowledge bias Environmental
Conservation, 39 (1), pp. 30-37. doi: 10.1017/S0376892911000440
POSSINGHAM, H., BALL, I., ANDELMAN, S. 2000. Mathematical methods for
idetifying representative reserve networks. In: Quantitative methods for
conservation biology, ed. S. Ferson & M. Burgman, pp. 291-305. New York, NY,
USA: Springer.
POSSINGHAM, H.P., A. MOILANEN, AND K.A. WILSON, 2009. Accounting for
habitat dynamics in conservation planning. Chapter 10: Pages 135-144 in Spatial
conservation prioritisation: Quantitative methods and computational tools. Eds
Moilanen, A., K.A. Wilson, and H.P. Possingham. Oxford University Press,
Oxford, UK.
PRESSEY, R.L., JOHNSON, I.R., WILSON, P.D., 1994. Shades of irreplaceability:
towards a measure of the contribution of sites to a reservation goal. Biol Conserv
3:242–262
RAMIREZ-VILLEGAS, J., CUESTA, F., DEVENISH, C., PERALVO, M., JARVIS, A.,
ARNILLAS, C.A, 2014 Using species distributions models for designing

54
conservation strategies of Tropical Andean biodiversity under climate change.
Journal for Nature Conservation. 22(5), 391–404
RANGEL, T.F.L.V.B.; BINI, L.M.; DINIZ-FILHO, J.A.F.; PINTO, M.P.; CARVALHO,
P.; BASTOS, R.P. 2007. Human development and biodiversity conservation in
Brazilian Cerrado. Applied Geography, 27, 14-27.
RANGEL, T.F & LOYOLA, R.D. 2012. Labeling ecological niche models. Natureza &
Conservação, 10(2): 1-8. 9.
RIBEIRO, M.C., METZGER, J.P., MARTENSEN, A.C., PONZONI, F.J. & HIROTA,
M.M. 2009. The Brazilian Atlantic Forest: how much is left, and how is the
remaining forest distributed? Implications for conservation. Biological
Conservation 142: 1141–1153
SILVA, J.A., MACHADO, R.B., AZEVEDO, A.A., DRUMOND, G.M., FONSECA,
R.L., GOULART, M.F., MORAES JR., E.A., MARTINS, C.S. & RAMOS-NETO,
M.B. 2008. Identificação de áreas insubstituíveis para a conservação da Cadeia do
Espinhaço, estados de Minas Gerais e Bahia, Brasil. Megadiversidade 4: 272-309.
SILVA, J.M.C. & CASTELETI, C.H.M.. 2003. Status of the biodiversity of the Atlantic
Forest of Brazil. In: C. Galindo-Leal & I.G. Câmara (eds.). The Atlantic Forest of
South America: biodiversity status, trends, and outlook. pp. 43-59. Center for
Applied Biodiversity Science e Island Press, Washington, D.C
SILVA, J.M.C., SOUSA, M.C., CASTELLETTI, C.H.M. 2004. Areas of endemism for
passerine birds in the Atlantic forest, South America. Global Ecology and
Biogeography, 13: 85-92.
SILVEIRA, L. F.,OLMOS, F., LONG, A.J. 2004. Taxonomy, History and Status of the
Alagoas Curassow Mitu mitu (Linnaeus, 1766), the world´s most threatened
Cracidae. Ararajuba. Revista Brasileira de Ornitologia, Rio Claro, São Paulo, v. 12,
n.2, p. 43-50.
SINCLAIR, A.R.E., MDUMA, S.A.R., ARCESE, P. 2002 Protected areas as biodiversity
benchmarks for human impact: Agriculture and the Serengeti avifauna. Proceedings
of the Royal Society of London Series B-Biological Sciences, 269, 2401-2405.
SOS MATA ATLÂNTICA & INPE. 2012. Atlas dos remanescentes florestais da Mata
Atlântica - Período de 2011. Fundação SOS Mata Atlântica, São Paulo, Brasil.
SOUZA, T. V., LORINI, M. L., ALVES, M. A. S., CORDEIRO, P., & VALE, M. M.
2011. Redistribution of Threatened and Endemic Atlantic Forest Birds Under
Climate Change. Natureza & Conservação, 9(2), 214–218.

55
THOMAS, C.D., CAMERON, A., GREEN, R.E., BAKKENES, M., BEAUMONT, L.J.,
COLLINGHAM, Y.C., ERASMUS, B.F.N., DE SIQUEIRA, M.F., GRAINGER,
A., HANNAH, L., HUGHES, L., HUNTLEY, B., VAN JAARSVELD, A.S.,
MIDGLEY, G.F., MILES, L., ORTEGA-HUERTA, M.A., PETERSON, A.T.,
PHILLIPS, O.L., WILLIAMS, S.E., 2004. Extinction risk from climate change.
Nature 427, 145–148
THUILLER, W. 2004. Patterns and uncertainties of species’ range shifts under climate
change. Global Change Biology 10: 2020-2027.
TULLOCH AI, TULLOCH VJ, EVANS MC, MILLS M. 2014. The Value of Using
Feasibility Models in Systematic Conservation Planning to Predict Landholder
Management Uptake. Conserv Biol. Dec,28(6):1462-73.
VALE, M.M., ALVES, M.A.S., LORINI, M.L. 2009. Mudanças Climáticas: Desafios e
Oportunidades para a Conservação da Biodiversidade Brasileira. Oecologia
Brasiliensis 13:518-535.
VIRKKALA R, PÖYRY J, HEIKKINEN RK, LEHIKOINEN A, VALKAMA J. 2014.
Protected areas alleviate climate change effects on northern bird species of
conservation concern. Ecology and evolution 4 (15), 2991-3003.
WARREN, R., VANDERWAL, J., PRICE, J., WELBERGEN, J.A., ATKINSON, I.,
RAMIREZ-VILLEGAS, J.,OSBORN, T.J., JARVIS, A., SHOO, L.P.,
WILLIAMS, S.E., LOWE, J., 2013. Quantifying the benefit of early climate change
mitigation in avoiding biodiversity loss. Nature Climate Change. 3 , 678-682
WERNECK, M. D. S., SOBRAL, M. E. G., ROCHA, C. T. V., LANDAU, E. C., &
STEHMANN, J. R. 2011. Distribution and Endemism of Angiosperms in the
Atlantic Forest. Natureza & Conservação, 9(2), 188-193.
WILLIAMS, J.C., REVELLE, C.S. & LEVIN, S.A. 2004. Using mathematical
optimization models to design nature reserves. Frontiers in Ecology and the
Environment, 2: 98-105.

56
Anexo 1: Resultados das análises para as 155 aves endêmicas da Mata Atlântica seguindo Bencke et al. (2006). As espécies são classificadas taxonomicamente de acordo com Comitê Brasileiro
de Registros Ornitológicos (CBRO 2014). Nome em Português = nome popular em português seguindo a CBRO. Registros = números de pontos de ocorrência. Status global de conservação,
segundo a União para Conservação da Natureza (IUCN 2014): LC = Pouco Preucupante, NT= Quase Ameaçada, VU = Vulnerável, EN = Ameaçada, CR = Criticamente Ameaçada. Área presente =
área de distribuição em remanescentes florestais das espécies no presente, segundo modelagem. Área futura 2050 = área de distribuição em remanescentes florestais das espécies em 2050
sob cenário de mudança climática, segundo modelagem. Área futura 2080 = área de distribuição em remanescentes florestais das espécies em 2080 sob cenário de mudança climática, segundo
modelagem. Diferença Área 2050 em km² e porcentagem = redução (valores positivos) ou aumento (valores negativos) na área original de distribuição das espécies, em cenário de mudança
climática em 2050. Diferença Área 2080 em km² e porcentagem = redução (valores positivos) ou aumento (valores negativos) na área original de distribuição das espécies, em cenário de
mudança climática em 2080. TSS (Média) = Média do valor de TSS levando em consideração os cinco algoritimos.

Diferença Área 2050 (km²)

Diferença Área 2080 (km²)


Diferença Área 2050 (%)

Diferença Área 2080 (%)


Área Futura 2080 (km²)
Área Futura 2050 (km²)
Área Atual (km²)

TSS (Média)
Registros

Status
Especie Nome vulgar

Tinamiformes Huxley, 1872


Tinamidae Gray, 1840
Tinamus solitarius
32 NT 93.200 71.508 64.172 23,3 31,1 21.693 29.028 0,68
(Vieillot, 1819) macuco
Crypturellus
14 NT 30.197 20.343 9.840 32,6 67,4 9.854 20.357 0,41
noctivagus (Wied, 1820) jaó-do-sul
Galliformes Linnaeus, 1758
Cracidae Rafinesque,
1815
Aburria jacutinga
32 EN 93.619 77.026 74.884 17,7 20,0 16.593 18.735 0,63
(Spix, 1825) jacutinga

57
Crax blumenbachii
15 EN 28.261 22.361 19.905 20,9 29,6 5.900 8.356 0,61
Spix, 1825 mutum-de-bico-vermelho
Odontophoridae Gould,
1844
Odontophorus
14 LC 36.419 29.146 12.209 20,0 66,5 7.273 24.210 0,61
capueira (Spix, 1825) uru
Accipitriformes Bonaparte, 1831
Accipitridae Vigors, 1824
Leptodon forbesi
15 CR 3.060 2 0 99,9 100,0 3.058 3.060 0,80
(Swann, 1922) gavião-de-pescoço-branco
Amadonastur
36 VU 48.681 23.674 21.620 51,4 55,6 25.007 27.061 0,64
lacernulatus (Temminck, 1827) gavião-pombo-pequeno
Pseudastur
12 NT 79.099 45.319 27.228 42,7 65,6 33.780 51.871 0,49
polionotus (Kaup, 1847) gavião-pombo-grande
Gruiformes Bonaparte, 1854
Rallidae Rafinesque, 1815
Aramides saracura
13 LC 71.297 37.827 28.259 46,9 60,4 33.470 43.038 0,71
(Spix, 1825) saracura-do-mato
Columbiformes Latham, 1790
Columbidae Leach, 1820
Claravis geoffroyi
13 CR 48.764 25.496 0 47,7 100,0 23.268 48.764 0,39
(Temminck, 1811) pararu-espelho
Strigiformes Wagler, 1830
Strigidae Leach, 1820
Megascops atricapilla
21 LC 106.284 80.713 53.144 24,1 50,0 25.572 53.140 0,66
(Temminck, 1822) corujinha-sapo
Pulsatrix
koeniswaldiana (Bertoni & Bertoni, murucututu-de-barriga- 17 LC 62.200 30.214 5.433 51,4 91,3 31.986 56.767 0,62
1901) amarela
Strix hylophila
13 NT 75.125 22.917 6.960 69,5 90,7 52.208 68.165 0,74
Temminck, 1825 coruja-listrada
Apodiformes Peters, 1940
Trochilidae Vigors, 1825
Ramphodon naevius
18 NT 26.308 14.566 19.952 44,6 24,2 11.742 6.356 0,65
(Dumont, 1818) beija-flor-rajado

58
Phaethornis rabo-branco-de-garganta-
17 LC 97.163 49.543 27.518 49,0 71,7 47.619 69.645 0,68
eurynome (Lesson, 1832) rajada
Florisuga fusca
17 LC 87.790 34.795 17.185 60,4 80,4 52.995 70.605 0,58
(Vieillot, 1817) beija-flor-preto
Stephanoxis lalandi
18 LC 29.907 4.575 2.508 84,7 91,6 25.332 27.399 0,80
(Vieillot, 1818) beija-flor-de-topete
Thalurania glaucopis
41 LC 124.771 85.587 64.157 31,4 48,6 39.184 60.614 0,59
(Gmelin, 1788) beija-flor-de-fronte-violeta
Leucochloris albicollis
23 LC 54.774 14.036 12.762 74,4 76,7 40.739 42.012 0,60
(Vieillot, 1818) beija-flor-de-papo-branco
Clytolaema
25 LC 72.662 19.239 11.242 73,5 84,5 53.423 61.420 0,69
rubricauda (Boddaert, 1783) beija-flor-rubi
Trogoniformes A. O. U., 1886
Trogonidae Lesson, 1828
Trogon surrucura
52 LC 87.037 41.500 20.872 52,3 76,0 45.537 66.166 0,70
Vieillot, 1817 surucuá-variado
Coraciiformes Forbes, 1844
Momotidae Gray, 1840
Baryphthengus
47 LC 100.089 65.049 39.087 35,0 60,9 35.040 61.002 0,60
ruficapillus (Vieillot, 1818) juruva-verde
Galbuliformes Fürbringer, 1888
Galbulidae Vigors, 1825
Jacamaralcyon
16 VU 13.866 1.846 266 86,7 98,1 12.020 13.600 0,49
tridactyla (Vieillot, 1817) cuitelão
Bucconidae Horsfield,
1821
Malacoptila striata
50 NT 90.850 61.448 54.143 32,4 40,4 29.402 36.707 0,65
(Spix, 1824) barbudo-rajado
Piciformes Meyer & Wolf, 1810
Ramphastidae Vigors,
1825
Ramphastos
31 LC 111.790 71.847 58.816 35,7 47,4 39.942 52.974 0,64
dicolorus Linnaeus, 1766 tucano-de-bico-verde
Selenidera
32 LC 108.051 60.788 52.943 43,7 51,0 47.262 55.108 0,65
maculirostris (Lichtenstein, 1823) araçari-poca

59
Pteroglossus bailloni
18 NT 94.787 42.492 28.851 55,2 69,6 52.295 65.936 0,64
(Vieillot, 1819) araçari-banana
Picidae Leach, 1820
Picumnus temminckii
25 LC 25.201 6.205 11.183 75,4 55,6 18.997 14.018 0,65
Lafresnaye, 1845 pica-pau-anão-de-coleira
Melanerpes flavifrons
52 LC 135.150 98.282 69.310 27,3 48,7 36.867 65.840 0,63
(Vieillot, 1818) benedito-de-testa-amarela
Veniliornis
18 LC 11.644 7.293 5.045 37,4 56,7 4.351 6.599 0,61
maculifrons (Spix, 1824) picapauzinho-de-testa-pintada
Veniliornis
34 LC 96.107 45.399 32.231 52,8 66,5 50.708 63.877 0,71
spilogaster (Wagler, 1827) picapauzinho-verde-carijó
Piculus aurulentus
27 NT 78.190 25.544 15.411 67,3 80,3 52.646 62.779 0,63
(Temminck, 1821) pica-pau-dourado
Dryocopus galeatus
42 VU 70.929 28.636 58.970 59,6 16,9 42.293 11.959 0,75
(Temminck, 1822) pica-pau-de-cara-canela
Campephilus
27 LC 147.155 110.599 84.528 24,8 42,6 36.555 62.626 0,65
robustus (Lichtenstein, 1818) pica-pau-rei
Psittaciformes Wagler, 1830
Psittacidae Rafinesque,
1815
Pyrrhura cruentata
17 VU 9.783 3.436 269 64,9 97,2 6.346 9.513 0,68
(Wied, 1820) tiriba-grande
Pyrrhura frontalis
57 LC 123.236 81.822 54.218 33,6 56,0 41.414 69.018 0,52
(Vieillot, 1817) tiriba-de-testa-vermelha
Pyrrhura leucotis
16 NT 25.455 21.081 18.311 17,2 28,1 4.374 7.144 0,70
(Kuhl, 1820) tiriba-de-orelha-branca
Pyrrhura griseipectus
15 CR 14.121 13.866 18.220 1,8 -29,0 256 -4.099 0,71
Salvadori, 1900 tiriba-de-peito-cinza
Brotogeris tirica
34 LC 112.110 73.220 59.805 34,7 46,7 38.890 52.305 0,62
(Gmelin, 1788) periquito-rico
Touit melanonotus
13 EN 294 0 0 100,0 100,0 294 294 0,56
(Wied, 1820) apuim-de-costas-pretas
Touit surdus (Kuhl,
13 VU 43.374 21.301 32.839 50,9 24,3 22.073 10.535 0,56
1820) apuim-de-cauda-amarela
Pionopsitta pileata
13 LC 94.623 36.230 24.723 61,7 73,9 58.392 69.900 0,71
(Scopoli, 1769) cuiú-cuiú

60
Amazona vinacea
28 EN 107.779 59.963 34.398 44,4 68,1 47.816 73.381 0,70
(Kuhl, 1820) papagaio-de-peito-roxo
Amazona pretrei
14 VU 40.238 13.588 4.085 66,2 89,8 26.650 36.153 0,72
(Temminck, 1830) papagaio-charão
Amazona brasiliensis
14 VU 4.833 43 73 99,1 98,5 4.790 4.760 0,82
(Linnaeus, 1758) papagaio-de-cara-roxa
Amazona -
36 EN 45.727 51.058 58.003 -11,7 -26,8 -5.331 0,72
rhodocorytha (Salvadori, 1890) chauá 12.276
Triclaria
13 NT 114.153 70.226 47.032 38,5 58,8 43.927 67.121 0,81
malachitacea (Spix, 1824) sabiá-cica
Passeriformes Linnaeus, 1758
Tyranni Wetmore & Miller, 1926
Thamnophilida Patterson,
1987
Thamnophilidae
Swainson, 1824
Terenura sicki
12 EN 5.557 225 0 96,0 100,0 5.332 5.557 0,62
Teixeira & Gonzaga, 1983 zidedê-do-nordeste
Terenura maculata
41 LC 77.351 47.422 52.655 38,7 31,9 29.929 24.696 0,70
(Wied, 1831) zidedê
Myrmotherula minor
20 VU 77.820 31.575 33.456 59,4 57,0 46.245 44.364 0,80
Salvadori, 1864 choquinha-pequena
Myrmotherula
17 NT 625 2 0 99,7 100,0 623 625 0,53
urosticta (Sclater, 1857) choquinha-de-rabo-cintado
Myrmotherula
34 NT 61.601 36.607 47.781 40,6 22,4 24.993 13.819 0,42
unicolor (Ménétriès, 1835) choquinha-cinzenta
Formicivora serrana
34 LC 40.063 27.900 14.985 30,4 62,6 12.163 25.078 0,72
Hellmayr, 1929 formigueiro-da-serra
Formicivora littoralis
Gonzaga & Pacheco, 1990 157 EN 756 1.357 615 -79,4 18,7 -601 142 0,94
formigueiro-do-litoral
Stymphalornis
acutirostris Bornschein, Reinert & 18 EN 3.894 0 54 100,0 98,6 3.894 3.840 0,74
Teixeira, 1995 bicudinho-do-brejo
Rhopias gularis (Spix, choquinha-de-garganta-
44 LC 74.279 35.887 29.001 51,7 61,0 38.392 45.278 0,62
1825) pintada

61
Dysithamnus
50 NT 70.552 39.438 39.450 44,1 44,1 31.115 31.102 0,65
stictothorax (Temminck, 1823) choquinha-de-peito-pintado
Dysithamnus
19 LC 55.751 18.804 14.447 66,3 74,1 36.946 41.303 0,68
xanthopterus Burmeister, 1856 choquinha-de-asa-ferrugem
Dysithamnus
21 VU 6.289 4.569 2.303 27,3 63,4 1.720 3.986 0,59
plumbeus (Wied, 1831) choquinha-chumbo
Herpsilochmus
17 VU 29.297 27.744 20.439 5,3 30,2 1.553 8.858 0,63
pileatus (Lichtenstein, 1823) chorozinho-de-boné
Mackenziaena leachii
59 LC 87.772 29.326 22.932 66,6 73,9 58.446 64.840 0,68
(Such, 1825) borralhara-assobiadora
Mackenziaena
80 LC 97.486 59.463 45.422 39,0 53,4 38.023 52.064 0,68
severa (Lichtenstein, 1823) borralhara
Biatas nigropectus
25 VU 86.771 59.753 48.298 31,1 44,3 27.018 38.473 0,69
(Lafresnaye, 1850) papo-branco
Myrmoderus
28 EN 14.944 13.973 13.106 6,5 12,3 970 1.838 0,78
ruficaudus (Wied, 1831) formigueiro-de-cauda-ruiva
Myrmoderus loricatus
31 LC 85.693 42.069 18.069 50,9 78,9 43.624 67.624 0,59
(Lichtenstein, 1823) formigueiro-assobiador
Myrmoderus
52 LC 49.426 15.629 23.942 68,4 51,6 33.797 25.484 0,74
squamosus (Pelzeln, 1868) papa-formiga-de-grota
Pyriglena leucoptera
148 LC 90.252 51.535 41.487 42,9 54,0 38.717 48.765 0,48
(Vieillot, 1818) papa-taoca-do-sul
Cercomacra
16 NT 11.824 10.735 3.414 9,2 71,1 1.089 8.410 0,56
brasiliana Hellmayr, 1905 chororó-cinzento
Drymophila
80 LC 41.644 15.206 9.910 63,5 76,2 26.438 31.734 0,57
ferruginea (Temminck, 1822) trovoada
Drymophila rubricollis
40 LC 93.958 37.923 29.409 59,6 68,7 56.035 64.550 0,63
(Bertoni, 1901) trovoada-de-bertoni
Drymophila genei
12 LC 28.322 16.010 14.731 43,5 48,0 12.312 13.591 0,55
(Filippi, 1847) choquinha-da-serra
Drymophila
46 NT 71.184 34.498 15.717 51,5 77,9 36.685 55.466 0,65
ochropyga (Hellmayr, 1906) choquinha-de-dorso-vermelho
Drymophila malura
60 LC 86.265 26.432 22.105 69,4 74,4 59.833 64.159 0,68
(Temminck, 1825) choquinha-carijó
Drymophila
64 LC 41.983 28.471 23.386 32,2 44,3 13.512 18.596 0,53
squamata (Lichtenstein, 1823) pintadinho

62
Conopophagidae Sclater
& Salvin, 1873
Conopophaga
59 LC 51.612 45.449 50.847 11,9 1,5 6.162 765 0,63
melanops (Vieillot, 1818) cuspidor-de-máscara-preta
Furnariida Sibley, Ahlquist &
Monroe, 1988
Grallarioidea Sclater &
Salvin, 1873
Grallariidae Sclater &
Salvin, 1873
Hylopezus nattereri
23 LC 21.862 2.012 1.336 90,8 93,9 19.850 20.526 0,53
(Pinto, 1937) pinto-do-mato
Rhinocryptidae Wetmore,
1926 (1837)
Merulaxis ater
22 NT 26.915 4.348 5.033 83,8 81,3 22.567 21.881 0,66
Lesson, 1830 entufado
Eleoscytalopus
48 NT 96.100 43.362 34.045 54,9 64,6 52.738 62.055 0,64
indigoticus (Wied, 1831) macuquinho
Scytalopus
36 LC 82.851 27.080 21.608 67,3 73,9 55.772 61.243 0,55
speluncae (Ménétriès, 1835) tapaculo-preto
Scytalopus iraiensis
Bornschein, Reinert & Pichorim, 39 EN 50.267 12.443 8.694 75,2 82,7 37.824 41.573 0,69
1998 macuquinho-da-várzea
Psilorhamphus
24 NT 30.960 9.249 13.990 70,1 54,8 21.711 16.969 0,52
guttatus (Ménétriès, 1835) tapaculo-pintado
Furnarioidea Gray, 1840
Formicariidae Gray, 1840
Chamaeza
25 LC 64.209 25.343 9.551 60,5 85,1 38.866 54.658 0,59
meruloides Vigors, 1825 tovaca-cantadora
Chamaeza ruficauda
22 LC 79.524 38.659 29.653 51,4 62,7 40.864 49.871 0,71
(Cabanis & Heine, 1859) tovaca-de-rabo-vermelho
Dendrocolaptidae Gray,
1840
Campylorhamphus
47 LC 128.285 84.239 49.871 34,3 61,1 44.046 78.414 0,58
falcularius (Vieillot, 1822) arapaçu-de-bico-torto
Furnariidae Gray, 1840

63
Clibanornis
23 NT 60.268 33.176 21.065 45,0 65,0 27.091 39.203 0,78
dendrocolaptoides (Pelzeln, 1859) cisqueiro
Anabazenops fuscus
42 LC 82.365 34.586 21.772 58,0 73,6 47.780 60.594 0,69
(Vieillot, 1816) trepador-coleira
Anabacerthia
30 NT 71.766 25.052 18.074 65,1 74,8 46.713 53.692 0,64
amaurotis (Temminck, 1823) limpa-folha-miúdo
Philydor atricapillus
85 LC 85.360 59.436 50.747 30,4 40,6 25.925 34.614 0,56
(Wied, 1821) limpa-folha-coroado
Heliobletus
65 LC 87.238 35.399 25.985 59,4 70,2 51.839 61.253 0,75
contaminatus Berlepsch, 1885 trepadorzinho
Cichlocolaptes
leucophrus (Jardine & Selby, 1830) 54 LC 92.484 45.458 44.048 50,8 52,4 47.026 48.436 0,65
trepador-sobrancelha
Leptasthenura
15 LC 11.202 735 99 93,4 99,1 10.467 11.103 0,59
striolata (Pelzeln, 1856) grimpeirinho
Leptasthenura setaria
33 NT 49.169 14.550 5.714 70,4 88,4 34.619 43.455 0,79
(Temminck, 1824) grimpeiro
Phacellodomus
28 LC 84.098 30.289 30.158 64,0 64,1 53.809 53.940 0,60
erythrophthalmus (Wied, 1821) joão-botina-da-mata
Synallaxis ruficapilla
97 LC 101.816 51.502 45.224 49,4 55,6 50.314 56.592 0,77
Vieillot, 1819 pichororé
Synallaxis whitneyi
17 VU 13.582 5.082 1.773 62,6 86,9 8.501 11.809 0,52
Pacheco & Gonzaga, 1995 joão-baiano
Synallaxis infuscata
16 EN 4.518 2.190 75 51,5 98,3 2.328 4.443 0,75
Pinto, 1950 tatac
Acrobatornis fonsecai
Pacheco, Whitney & Gonzaga, 14 VU 2.526 227 0 91,0 100,0 2.299 2.526 0,70
1996 acrobata
Cranioleuca obsoleta
51 LC 111.410 68.872 51.621 38,2 53,7 42.538 59.789 0,76
(Reichenbach, 1853) arredio-oliváceo
Cranioleuca pallida
46 LC 96.379 39.070 17.615 59,5 81,7 57.308 78.764 0,70
(Wied, 1831) arredio-pálido
Thripophaga
19 VU 50.454 57.041 44.912 -13,1 11,0 -6.587 5.542 0,58
macroura (Wied, 1821) rabo-amarelo
Tyrannida Wetmore & Miller,
1926

64
Pipridae Rafinesque,
1815
Neopelma aurifrons
24 VU 85.251 62.297 41.698 26,9 51,1 22.953 43.553 0,79
(Wied, 1831) fruxu-baiano
Neopelma
30 LC 73.653 24.096 22.022 67,3 70,1 49.557 51.631 0,55
chrysolophum Pinto, 1944 fruxu
Ilicura militaris (Shaw
86 LC 81.800 62.109 53.053 24,1 35,1 19.692 28.747 0,68
& Nodder, 1809) tangarazinho
Chiroxiphia caudata
185 LC 105.285 64.762 43.653 38,5 58,5 40.523 61.633 0,73
(Shaw & Nodder, 1793) tangará
Cotingoidea Bonaparte,
1849
Tityridae Gray, 1840
Laniisoma elegans
35 LC 95.993 43.255 30.163 54,9 68,6 52.738 65.830 0,65
(Thunberg, 1823) chibante
Iodopleura pipra
25 NT 75.097 44.788 40.963 40,4 45,5 30.309 34.134 0,69
(Lesson, 1831) anambezinho
Cotingidae Bonaparte,
1849
Lipaugus lanioides
54 NT 92.428 64.158 56.963 30,6 38,4 28.270 35.466 0,63
(Lesson, 1844) tropeiro-da-serra
Tijuca atra Ferrusac,
12 NT 60.081 23.927 11.289 60,2 81,2 36.153 48.792 0,68
1829 saudade
Tijuca condita Snow,
12 VU 1.987 662 152 66,7 92,4 1.326 1.836 0,44
1980 saudade-de-asa-cinza
Xipholena
40 EN 22.309 15.276 12.927 31,5 42,1 7.033 9.382 0,78
atropurpurea (Wied, 1820) anambé-de-asa-branca
Procnias nudicollis
84 VU 99.519 62.770 52.771 36,9 47,0 36.749 46.747 0,59
(Vieillot, 1817) araponga
Cotinga maculata
19 EN 5.641 1.252 55 77,8 99,0 4.388 5.585 0,49
(Statius Muller, 1776) crejoá
Carpornis cucullata
60 NT 67.929 23.157 18.177 65,9 73,2 44.772 49.752 0,69
(Swainson, 1821) corocochó
Carpornis
39 VU 22.137 6.482 7.802 70,7 64,8 15.655 14.335 0,57
melanocephala (Wied, 1820) sabiá-pimenta
Tyrannoidea Vigors, 1825

65
Pipritidae Ohlson,
Irestedt, Ericson & Fjeldså, 2013
Piprites pileata
21 VU 8.884 833 13 90,6 99,9 8.051 8.872 0,52
(Temminck, 1822) caneleirinho-de-chapéu-preto
Platyrinchidae Bonaparte,
1854
Platyrinchus
15 VU 13.695 200 476 98,5 96,5 13.495 13.219 0,63
leucoryphus Wied, 1831 patinho-gigante
Tachurididae Ohlson,
Irestedt, Ericson & Fjeldså, 2013
Rhynchocyclidae
Berlepsch, 1907
Phylloscartes eximius
39 NT 103.558 63.268 36.277 38,9 65,0 40.290 67.281 0,85
(Temminck, 1822) barbudinho
Phylloscartes kronei
17 VU 13.593 4.724 9.635 65,2 29,1 8.870 3.958 0,60
Willis & Oniki, 1992 maria-da-restinga
Phylloscartes beckeri
Gonzaga & Pacheco, 1995 13 EN 1.689 141 0 91,6 100,0 1.547 1.689 0,76
borboletinha-baiana
Phylloscartes ceciliae
12 EN 10.393 1.866 0 82,0 100,0 8.527 10.393 0,69
Teixeira, 1987 cara-pintada
Phylloscartes paulista
27 NT 69.532 54.381 60.117 21,8 13,5 15.151 9.415 0,72
Ihering & Ihering, 1907 não-pode-parar
Phylloscartes
28 NT 52.521 13.557 15.240 74,2 71,0 38.963 37.280 0,65
oustaleti (Sclater, 1887) papa-moscas-de-olheiras
Phylloscartes difficilis
17 NT 85.230 34.829 18.733 59,1 78,0 50.401 66.498 0,78
(Ihering & Ihering, 1907) estalinho
Phylloscartes
sylviolus (Cabanis & Heine, 1859) 19 NT 55.031 50.144 59.368 8,9 -7,9 4.887 -4.337 0,70
maria-pequena
Todirostrum
114 LC 61.891 27.993 18.282 54,8 70,5 33.898 43.609 0,65
poliocephalum (Wied, 1831) teque-teque
Hemitriccus diops
61 LC 91.655 35.116 23.674 61,7 74,2 56.540 67.982 0,62
(Temminck, 1822) olho-falso
Hemitriccus
20 LC 27.044 3.311 1.861 87,8 93,1 23.733 25.183 0,63
obsoletus (Miranda-Ribeiro, 1906) catraca
Hemitriccus orbitatus
56 NT 111.158 78.024 67.514 29,8 39,3 33.134 43.644 0,68
(Wied, 1831) tiririzinho-do-mato

66
Hemitriccus
59 LC 100.159 46.457 25.267 53,6 74,8 53.702 74.892 0,48
nidipendulus (Wied, 1831) tachuri-campainha
Hemitriccus
15 EN 11.694 1.391 6.296 88,1 46,2 10.303 5.398 0,69
kaempferi (Zimmer, 1953) maria-catarinense
Hemitriccus furcatus
13 VU 8.712 1.328 519 84,8 94,0 7.384 8.193 0,50
(Lafresnaye, 1846) papa-moscas-estrela
Tyrannidae Vigors, 1825
Phyllomyias
63 LC 105.999 78.018 64.470 26,4 39,2 27.981 41.529 0,42
virescens (Temminck, 1824) piolhinho-verdoso
Phyllomyias
33 NT 17.394 734 176 95,8 99,0 16.660 17.218 0,69
griseocapilla Sclater, 1862 piolhinho-serrano
Attila rufus (Vieillot,
80 LC 97.700 61.095 51.896 37,5 46,9 36.605 45.804 0,60
1819) capitão-de-saíra
Muscipipra vetula
60 LC 88.815 25.011 14.175 71,8 84,0 63.804 74.640 0,61
(Lichtenstein, 1823) tesoura-cinzenta
Passeri Linnaeus, 1758
Corvida Wagler 1830
Corvidae Leach, 1820
Cyanocorax
53 NT 82.429 49.757 51.138 39,6 38,0 32.672 31.291 0,76
caeruleus (Vieillot, 1818) gralha-azul
Passerida Linnaeus, 1758
Polioptilidae Baird, 1858
Polioptila lactea
18 NT 11.232 11.745 11.385 -4,6 -1,4 -513 -153 0,71
Sharpe, 1885 balança-rabo-leitoso
Passerellidae Cabanis &
Heine, 1850
Arremon
13 LC 39.685 11.566 8.782 70,9 77,9 28.119 30.903 0,60
semitorquatus Swainson, 1838 tico-tico-do-mato
Icteridae Vigors, 1825
Curaeus forbesi
24 EN 1.719 1.207 71 29,8 95,9 512 1.647 0,65
(Sclater, 1886) anumará
Orthogonys
42 LC 61.118 23.133 22.228 62,2 63,6 37.986 38.890 0,53
chloricterus (Vieillot, 1819) catirumbava
Thraupidae Cabanis,
1847

67
Saltator maxillosus
22 LC 117.696 82.680 59.594 29,8 49,4 35.017 58.102 0,77
Cabanis, 1851 bico-grosso
Saltator fuliginosus
80 LC 80.055 38.061 33.941 52,5 57,6 41.993 46.114 0,69
(Daudin, 1800) pimentão
Orchesticus abeillei
28 NT 56.126 13.238 9.353 76,4 83,3 42.888 46.773 0,75
(Lesson, 1839) sanhaçu-pardo
Ramphocelus
78 LC 84.609 49.009 48.959 42,1 42,1 35.600 35.650 0,68
bresilius (Linnaeus, 1766) tiê-sangue
Tangara seledon
106 LC 94.934 65.139 61.002 31,4 35,7 29.795 33.933 0,70
(Statius Muller, 1776) saíra-sete-cores
Tangara fastuosa
18 VU 5.511 1.297 76 76,5 98,6 4.214 5.435 0,63
(Lesson, 1831) pintor-verdadeiro
Tangara cyanoventris
33 LC 39.314 27.715 11.697 29,5 70,2 11.599 27.617 0,75
(Vieillot, 1819) saíra-douradinha
Tangara desmaresti
54 LC 81.135 22.678 13.753 72,0 83,0 58.456 67.382 0,61
(Vieillot, 1819) saíra-lagarta
Tangara cyanoptera
67 NT 73.257 26.986 23.684 63,2 67,7 46.270 49.573 0,68
(Vieillot, 1817) sanhaçu-de-encontro-azul
Tangara ornata
77 LC 93.310 50.114 37.805 46,3 59,5 43.196 55.504 0,66
(Sparrman, 1789) sanhaçu-de-encontro-amarelo
Tangara peruviana
35 VU 68.618 37.229 36.841 45,7 46,3 31.389 31.777 0,61
(Desmarest, 1806) saíra-sapucaia
Dacnis nigripes
27 NT 64.067 44.109 54.880 31,2 14,3 19.957 9.186 0,60
Pelzeln, 1856 saí-de-pernas-pretas
Poospiza thoracica
13 LC 46.893 14.420 11.577 69,2 75,3 32.473 35.316 0,68
(Nordmann, 1835) peito-pinhão
Sporophila frontalis
38 VU 107.893 76.519 64.668 29,1 40,1 31.374 43.225 0,75
(Verreaux, 1869) pixoxó
Sporophila falcirostris
30 VU 87.957 64.407 48.737 26,8 44,6 23.550 39.220 0,67
(Temminck, 1820) cigarra-verdadeira

68
Anexo 2: Resultados dos municipios selecionados sem o uso da opção BLM. Municipios selecionados apenas no cenario futuro; Municipios selecionados em ambos os cenarios; Municípios
selecionados apenas no cenario atual e Municipios sempre incluidos com pelo menos 50% das UCs analisadas. Nome do municipio. Estado pertencente o munícipio. População estimada segundo
o IBGE do Municipio. Soluções = Quantas vezes o municipio foi encontrado, a presença de 100 soluções chamamos de insubstituiveis. Área total do município. Remanescentes Florestaias dentro
do município. Área de UCs de Proteção Integral e RPPN dentro do municipio. Área de todas as UCs existententes dentro do municipio. Prioridade para criação de novas UCs; 0= Mínima ; 1=
Média ; 2 = Grande ; 3 = Máxima.

Remanescentes Florestais

Prioridade para criação


Area UC % (PI e RPPN)

Área UC % (Todas)
Área Total km²

de novas UCs
População

Soluções
Município Estado

%
Selecionados somente no futuro
Abdon Batista Santa Catarina 2656 97 236 9,7% 0% 0% 3
Água Doce Santa Catarina 7110 100 1313 12,9% 0% 0% 3
Alagoa Minas Gerais 2768 96 162 14,2% 8% 100% 2
Almadina Bahia 6327 65 247 10,8% 0% 65% 3
Alto Feliz Rio Grande do Sul 3035 29 79 23,9% 0% 0% 3
Alvinlândia São Paulo 3137 99 85 17,5% 5% 5% 2
Alvorada de Minas Minas Gerais 3657 100 375 18,0% 0% 0% 3
Antonina Paraná 19412 100 882 79,7% 12% 56% 2
Antônio Carlos Santa Catarina 7906 78 229 61,6% 0% 0% 3
Aratuípe Bahia 9146 83 177 15,7% 0% 0% 3
Bandeirante Santa Catarina 2865 13 146 11,4% 0% 0% 3
Barra do Rio Azul Rio Grande do Sul 1993 46 148 8,0% 0% 0% 3

69
Barra do Rocha Bahia 6261 4 192 3,0% 0% 0% 3
Barracão Rio Grande do Sul 5498 25 516 7,2% 3% 3% 3
Barreiros Pernambuco 41987 100 233 13,2% 0% 2% 3
Benjamin Constant do Sul Rio Grande do Sul 2305 92 132 14,2% 0% 0% 3
Boa Vista das Missões Rio Grande do Sul 2173 92 195 8,8% 0% 0% 3
Caiana Minas Gerais 5260 47 106 12,1% 0% 0% 3
Campina do Simão Paraná 4130 57 449 11,6% 0% 0% 3
Cantagalo Rio de Janeiro 19825 98 749 11,8% 0% 0% 3
Capão Bonito São Paulo 47510 98 1641 24,1% 18% 20% 2
Caravelas Bahia 22328 99 2361 10,6% 0% 15% 3
Celso Ramos Santa Catarina 2792 100 208 15,7% 0% 0% 3
Cerro Negro Santa Catarina 3472 100 417 9,8% 0% 0% 3
Chiapetta Rio Grande do Sul 4100 98 397 10,2% 0% 0% 3
Conceição do Castelo Espírito Santo 12579 93 365 20,1% 0% 0% 3
Conceição do Mato Dentro Minas Gerais 18273 100 1671 13,4% 9% 9% 2
Crisólita Minas Gerais 6408 99 970 8,2% 0% 0% 3
Dois Irmãos das Missões Rio Grande do Sul 2192 100 226 12,8% 0% 0% 3
Dom Joaquim Minas Gerais 4632 100 407 19,3% 0% 0% 3
Erval Seco Rio Grande do Sul 7899 100 364 24,3% 0% 0% 3
Esplanada Bahia 35930 100 1371 14,0% 0% 0% 3
Fernão São Paulo 1646 57 100 7,6% 0% 0% 3
Formosa do Sul Santa Catarina 2603 8 100 12,2% 0% 0% 3
Gália São Paulo 7019 100 356 14,8% 5% 23% 2
General Carneiro Paraná 14039 100 1070 23,3% 1% 1% 3
Gonçalves Minas Gerais 4370 95 188 12,9% 0% 100% 3
Guatambú Santa Catarina 4746 30 205 14,2% 0% 6% 3
Honório Serpa Paraná 5902 52 502 11,6% 0% 0% 3
Ibiam Santa Catarina 1973 99 147 11,8% 0% 0% 3

70
Ibitirama Espírito Santo 9400 100 329 18,4% 33% 33% 1
Ibiúna São Paulo 75241 69 1060 42,0% 23% 78% 2
Igaratá São Paulo 9251 97 294 15,8% 0% 49% 3
Iguaí Bahia 27615 93 833 15,9% 0% 60% 3
Inácio Martins Paraná 11282 100 937 28,2% 0% 50% 3
Irani Santa Catarina 9948 32 330 22,8% 0% 0% 3
Itamaraju Bahia 67128 75 2370 19,8% 0% 0% 3
Itambé Bahia 23723 65 1626 9,7% 0% 0% 3
Itueta Minas Gerais 6051 73 455 8,2% 1% 0% 3
Jaborá Santa Catarina 4057 88 191 17,2% 0% 0% 3
Jacinto Minas Gerais 12511 99 1390 8,1% 0% 0% 3
Juquiá São Paulo 19535 100 821 62,8% 0% 86% 3
Laranjal Paulista São Paulo 26853 97 387 3,0% 0% 1% 3
Linha Nova Rio Grande do Sul 1692 94 64 25,8% 0% 0% 3
Lupércio São Paulo 4523 87 155 15,8% 0% 0% 3
Macarani Bahia 18419 61 1372 6,1% 0% 0% 3
Malacacheta Minas Gerais 19228 47 719 20,4% 0% 14% 3
Mangaratiba Rio de Janeiro 39210 68 338 78,1% 47% 71% 1
Morrinhos do Sul Rio Grande do Sul 3225 35 165 18,3% 0% 0% 3
Nazaré Paulista São Paulo 17451 85 326 21,4% 10% 99% 2
Nova Alvorada Rio Grande do Sul 3376 28 149 12,9% 0% 0% 3
Nova Redenção Bahia 8527 96 511 13,8% 0% 0% 3
Óleo São Paulo 2676 48 198 4,0% 0% 0% 3
Onça de Pitangui Minas Gerais 3164 99 247 17,1% 0% 0% 3
Oriente São Paulo 6366 89 218 13,9% 0% 0% 3
Oscar Bressane São Paulo 2614 72 221 8,6% 0% 0% 3
Paial Santa Catarina 1698 64 86 13,0% 0% 0% 3
Painel Santa Catarina 2385 96 740 9,8% 0% 0% 3

71
Paraíso São Paulo 6207 100 154 3,9% 0% 0% 3
Pardinho São Paulo 5979 40 210 7,2% 0% 73% 3
Pau Brasil Bahia 11166 58 609 9,3% 0% 0% 3
Pavão Minas Gerais 8771 95 599 12,2% 0% 0% 3
Peritiba Santa Catarina 2958 23 96 17,8% 0% 0% 3
Pilar do Sul São Paulo 27880 65 683 18,2% 0% 0% 3
Piracema Minas Gerais 6575 97 280 5,5% 0% 0% 3
Piraí Rio de Janeiro 27311 100 505 30,1% 0% 20% 3
Piranguçu Minas Gerais 5432 100 206 14,6% 0% 65% 3
Ponte Serrada Santa Catarina 11358 63 564 27,2% 13% 13% 2
Praia Grande Santa Catarina 7377 89 279 46,1% 36% 37% 1
Presidente Alves São Paulo 4205 100 289 13,8% 0% 68% 3
Presidente Castelo Branco Santa Catarina 1691 57 65 16,0% 0% 0% 3
Quissamã Rio de Janeiro 21806 79 716 19,4% 13% 0% 2
Rio das Antas Santa Catarina 6245 14 317 10,8% 0% 0% 3
Rio das Flores Rio de Janeiro 8783 100 478 13,0% 0% 0% 3
Rubim Minas Gerais 10278 58 969 5,9% 0% 0% 3
Santa Cecília do Sul Rio Grande do Sul 1700 91 196 7,1% 0% 0% 3
Santa Luzia do Itanhy Sergipe 14564 77 329 28,1% 0% 0% 3
Santa Rita de Ibitipoca Minas Gerais 3628 70 324 8,1% 0% 0% 3
Santo Antônio do Itambé Minas Gerais 4151 100 304 16,9% 15% 39% 2
Santo Antônio do Pinhal São Paulo 6733 68 133 23,8% 0% 98% 3
Santo Antônio do Planalto Rio Grande do Sul 2053 81 206 7,1% 0% 0% 3
São Bento do Sapucaí São Paulo 10831 92 252 18,0% 12% 98% 2
São Luís do Paraitinga São Paulo 10721 100 617 16,7% 13% 14% 2
São Miguel Arcanjo São Paulo 32621 98 930 14,0% 7% 7% 2
Sarapuí São Paulo 9628 73 354 8,6% 0% 0% 3
Sarutaiá São Paulo 3707 88 141 10,5% 0% 71% 3

72
Sumidouro Rio de Janeiro 15070 100 395 18,4% 0% 100% 3
Timburi São Paulo 2709 100 197 18,8% 0% 83% 3
Tunas do Paraná Paraná 7127 62 668 28,0% 0% 0% 3
Vargem Santa Catarina 2718 100 350 10,4% 0% 0% 3
Vargem Bonita Santa Catarina 4752 100 299 20,4% 0% 0% 3
Vespasiano Correa Rio Grande do Sul 1997 91 114 17,5% 0% 0% 3

Selecionados no Presente e Futuro


Adrianópolis Paraná 6416 99/99 1349 36,0% 0% 0% 3
Água Preta Pernambuco 34978 100/96 543 19,8% 0% 0% 3
Águas Mornas Santa Catarina 5926 63/92 327 69,9% 22% 22% 2
Aiquara Bahia 4767 100/100 195 30,8% 0% 0% 3
Aiuruoca Minas Gerais 6274 99/100 650 11,1% 6% 36% 2
Alcobaça Bahia 23176 62/96 1506 10,4% 0% 5% 3
Alfredo Chaves Espiríto Santo 14859 100/84 616 33,0% 0% 0% 3
Alfredo Wagner Santa Catarina 9737 94/62 732 39,5% 0% 0% 3
Almirante Tamandaré do Sul Rio Grande do Sul 2106 100/100 265 9,8% 0% 0% 3
Andaraí Bahia 14738 100/100 1895 16,4% 20% 23% 2
André da Rocha Rio Grande do Sul 1278 99/100 330 6,9% 0% 0% 3
Angelina Santa Catarina 5166 98/100 500 57,9% 0% 0% 3
Anitápolis Santa Catarina 3259 100/100 542 67,7% 0% 0% 3
Antônio Dias Minas Gerais 9738 100/85 790 10,3% 0% 0% 3
Antônio Prado de Minas Minas Gerais 1692 73/85 85 13,8% 0% 0% 3
Arapeí São Paulo 2541 100/100 156 20,5% 0% 0% 3
Araponga Minas Gerais 8454 49/99 304 19,9% 19% 19% 2
Areias São Paulo 3839 98/100 306 12,2% 9% 24% 2
Argirita Minas Gerais 2924 99/38 159 12,8% 0% 0% 3

73
Aricanduva Minas Gerais 5036 96/98 244 25,1% 0% 0% 3
Bananal São Paulo 10680 100/100 616 34,4% 1% 9% 3
Bandeira Minas Gerais 5059 99/100 485 13,8% 0% 0% 3
Belmiro Braga Minas Gerais 3499 100/100 392 16,9% 0% 0% 3
Bias Fortes Minas Gerais 3765 100/99 284 13,3% 0% 0% 3
Bocaina de Minas Minas Gerais 5163 100/100 501 32,2% 11% 99% 2
Bom Jardim da Serra Santa Catarina 4566 100/86 935 25,4% 20% 20% 2
Bom Jardim de Minas Minas Gerais 6663 100/100 395 21,3% 0% 0% 3
Bom Jesus Rio Grande do Sul 11823 100/100 2626 12,9% 0% 0% 3
Bom Retiro Santa Catarina 9397 100/95 1055 38,7% 4% 4% 3
Botuverá Santa Catarina 4785 100/97 303 81,3% 20% 20% 2
Branquinha Alagoas 10823 100/72 191 18,8% 0% 43% 3
Braúnas Minas Gerais 5091 100/100 377 16,5% 0% 0% 3
Caatiba Bahia 10828 99/97 656 15,6% 0% 0% 3
Cachoeiras de Macacu Rio de Janeiro 55632 97/99 956 43,9% 0% 21% 3
Calmon Santa Catarina 3416 98/100 640 24,3% 0% 0% 3
Cambará do Sul Rio Grande do Sul 6712 95/32 1213 18,0% 15% 21% 2
Campestre da Serra Rio Grande do Sul 3375 100/100 538 13,7% 0% 0% 3
Campo Belo do Sul Santa Catarina 7419 95/100 1027 11,9% 0% 0% 3
Capão Alto Santa Catarina 2711 100/100 1335 18,2% 0% 0% 3
Caranaíba Minas Gerais 3341 100/100 160 19,7% 0% 0% 3
Carlos Chagas Minas Gerais 20214 90/100 3199 6,8% 0% 0% 3
Carmésia Minas Gerais 2567 98/100 259 28,3% 0% 0% 3
Carrancas Minas Gerais 4081 99/100 728 6,2% 0% 0% 3
Catas Altas Minas Gerais 5136 98/22 240 16,7% 0% 31% 3
Catas Altas da Noruega Minas Gerais 3608 100/100 143 33,1% 0% 0% 3
Chã Preta Alagoas 7413 99/94 201 17,4% 0% 0% 3
Chiador Minas Gerais 2827 100/99 252 10,8% 0% 0% 3

74
Conde Bahia 25714 70/100 951 20,5% 0% 0% 3
Coqueiro Seco Alagoas 5817 58/8 40 21,0% 0% 33% 3
Coqueiros do Sul Rio Grande do Sul 2497 100/100 276 10,9% 0% 0% 3
Coronel Domingos Soares Paraná 7525 100/100 1576 25,6% 0% 0% 3
Cotiporã Rio Grande do Sul 4019 95/97 172 24,5% 0% 0% 3
Coxilha Rio Grande do Sul 2895 84/99 423 7,0% 0% 0% 3
Cunha São Paulo 22251 92/100 1407 15,6% 12% 12% 2
Delfim Moreira Minas Gerais 8197 100/100 408 26,0% 0% 99% 3
Derrubadas Rio Grande do Sul 3199 100/100 361 47,8% 46% 46% 1
Descoberto Minas Gerais 4968 100/80 213 16,4% 0% 0% 3
Divina Pastora Sergipe 4715 100/87 92 14,1% 0% 0% 3
Divino de São Lourenço Espiríto Santo 4688 97/100 176 23,7% 22% 22% 2
Dois Lajeados Rio Grande do Sul 3403 45/96 133 21,6% 0% 0% 3
Dores de Guanhães Minas Gerais 5343 100/100 382 20,8% 0% 0% 3
Dores do Turvo Minas Gerais 4516 98/45 231 12,1% 0% 0% 3
Doutor Pedrinho Santa Catarina 3828 100/99 376 59,1% 11% 11% 2
Duas Barras Rio de Janeiro 11070 91/100 375 18,4% 0% 0% 3
Entre Rios Santa Catarina 3118 49/100 105 35,0% 0% 0% 3
Esmeralda Rio Grande do Sul 3287 99/99 833 5,7% 0% 0% 3
Faria Lemos Minas Gerais 3423 96/80 166 12,6% 0% 0% 3
Ferros Minas Gerais 10807 100/100 1090 16,2% 0% 0% 3
Flexeiras Alagoas 12862 100/95 316 15,2% 7% 33% 2
Gameleira Pernambuco 29515 100/100 258 38,7% 0% 0% 3
Gramado dos Loureiros Rio Grande do Sul 2295 92/97 131 17,0% 0% 0% 3
Guaraqueçaba Paraná 8012 100/100 2019 80,2% 28% 99% 1
Guaratinga Bahia 22583 100/100 2325 14,5% 8% 8% 2
Ibicuí Bahia 16582 95/70 1163 9,4% 0% 0% 3
Ibiquera Bahia 5158 100/98 1011 16,8% 0% 0% 3

75
Imaruí Santa Catarina 11301 52/77 542 30,1% 14% 14% 2
Ingaí Minas Gerais 2740 100/100 305 8,6% 0% 0% 3
Ipê Rio Grande do Sul 6334 66/98 600 9,3% 0% 0% 3
Itaju do Colônia Bahia 7507 100/100 1218 9,4% 0% 0% 3
Itamonte Minas Gerais 14855 84/99 431 37,1% 43% 80% 1
Itapebi Bahia 10942 77/86 972 9,6% 0% 0% 3
Itaporanga D'Ajuda Sergipe 32496 54/100 757 12,5% 0% 0% 3
Itapuca Rio Grande do Sul 2358 79/100 184 13,4% 0% 0% 3
Itarantim Bahia 19837 91/100 1784 8,3% 0% 0% 3
Itati Rio Grande do Sul 2625 100/100 201 39,6% 18% 64% 2
Itaverava Minas Gerais 5833 100/100 283 24,2% 0% 0% 3
Ivorá Rio Grande do Sul 2166 70/96 123 22,0% 0% 0% 3
Jacuípe Alagoas 7193 90/58 217 6,9% 0% 0% 3
Jaguaraçu Minas Gerais 3112 96/81 162 15,2% 0% 0% 3
Jaguaripe Bahia 18114 100/100 891 32,9% 0% 0% 3
Jandaíra Bahia 10997 93/100 643 17,5% 0% 0% 3
Jaquirana Rio Grande do Sul 4199 94/72 908 12,7% 5% 5% 2
Jequiá da Praia Alagoas 11969 100/100 338 13,6% 0% 6% 3
Jequitinhonha Minas Gerais 25150 100/100 3518 24,8% 14% 14% 2
Jitaúna Bahia 13667 100/97 333 20,5% 0% 0% 3
José Boiteux Santa Catarina 4837 100/99 405 63,9% 0% 0% 3
Jucuruçu Bahia 10403 100/100 1438 12,2% 0% 0% 3
Lajedinho Bahia 4079 100/100 807 12,3% 0% 0% 3
Lençóis Bahia 11300 100/99 1240 16,7% 19% 46% 2
Leoberto Leal Santa Catarina 3298 100/99 291 51,2% 0% 0% 3
Liberato Salzano Rio Grande do Sul 5827 66/76 246 19,6% 0% 0% 3
Liberdade Minas Gerais 5401 99/100 402 15,4% 0% 43% 3
Luminárias Minas Gerais 5571 99/93 499 9,1% 0% 0% 3

76
Macieira Santa Catarina 1831 61/100 260 21,3% 0% 0% 3
Major Gercino Santa Catarina 3375 100/99 286 65,9% 0% 0% 3
Mampituba Rio Grande do Sul 3087 92/61 158 30,3% 0% 0% 3
Maquiné Rio Grande do Sul 7068 100/100 622 37,1% 6% 6% 2
Maragogi Alagoas 31299 98/77 334 20,2% 0% 2% 3
Marmelópolis Minas Gerais 2979 51/71 108 19,9% 0% 100% 3
Materlândia Minas Gerais 4673 100/100 282 22,7% 0% 0% 3
Matos Costa Santa Catarina 2767 94/100 432 26,5% 0% 0% 3
Minduri Minas Gerais 3957 100/100 220 20,4% 0% 0% 3
Miracatu São Paulo 20790 83/93 1001 69,8% 6% 77% 2
Mirim Doce Santa Catarina 2476 100/99 336 58,3% 0% 0% 3
Monte Alegre dos Campos Rio Grande do Sul 3221 100/100 550 13,0% 0% 0% 3
Monte Formoso Minas Gerais 4855 100/100 384 27,7% 0% 0% 3
Monteiro Lobato São Paulo 4381 100/100 333 30,9% 0% 66% 3
Morretes Paraná 16325 98/100 685 71,9% 1% 19% 3
Morro Grande Santa Catarina 2928 100/100 256 62,8% 1% 0% 3
Muitos Capões Rio Grande do Sul 3116 93/96 1193 2,6% 0% 0% 3
Natividade da Serra São Paulo 6821 97/100 833 18,1% 10% 42% 2
Nilo Peçanha Bahia 13555 31/94 385 36,2% 0% 0% 3
Nonoai Rio Grande do Sul 12348 96/99 469 29,2% 0% 0% 3
Nova Pádua Rio Grande do Sul 2545 96/99 103 23,7% 0% 0% 3
Nova Roma do Sul Rio Grande do Sul 3520 100/100 149 25,6% 0% 0% 3
Novo Cruzeiro Minas Gerais 31715 98/79 1701 30,9% 0% 4% 3
Olaria Minas Gerais 1957 100/100 178 22,4% 0% 0% 3
Paripueira Alagoas 12474 98/73 93 29,4% 0% 0% 3
Passa-Vinte Minas Gerais 2121 100/100 246 32,8% 0% 43% 3
Passos Maia Santa Catarina 4387 96/100 614 27,8% 9% 9% 2
Pedro Teixeira Minas Gerais 1838 100/100 113 18,5% 0% 0% 3

77
Piau Minas Gerais 2887 100/90 191 11,9% 0% 0% 3
Pontão Rio Grande do Sul 3982 97/99 506 7,5% 0% 0% 3
Porto de Pedras Alagoas 8362 100/100 266 14,7% 0% 0% 3
Potiraguá Bahia 9574 100/100 989 9,5% 0% 0% 3
Prado Bahia 29095 97/99 1665 25,7% 16% 16% 2
Protásio Alves Rio Grande do Sul 2048 100/100 173 20,5% 0% 0% 3
Quatro Irmãos Rio Grande do Sul 1842 98/99 268 7,6% 0% 0% 3
Queluzito Minas Gerais 1934 100/100 153 14,1% 0% 0% 3
Rancho Queimado Santa Catarina 2827 100/95 287 48,5% 0% 0% 3
Redenção da Serra São Paulo 3952 80/100 309 10,1% 0% 18% 3
Reserva do Iguaçu Paraná 7697 100/67 834 29,1% 1% 1% 3
Rio Claro Rio de Janeiro 17709 100/100 841 42,3% 14% 14% 2
Rio do Campo Santa Catarina 6185 100/44 506 43,2% 0% 0% 3
Rio Preto Minas Gerais 5487 100/100 347 23,7% 0% 0% 3
Rio Rufino Santa Catarina 2482 100/84 283 40,8% 0% 0% 3
Rio Vermelho Minas Gerais 13755 100/100 987 23,9% 0% 2% 3
Riozinho Rio Grande do Sul 4531 91/100 239 36,8% 0% 0% 3
Ritápolis Minas Gerais 4955 98/27 392 8,0% 0% 0% 3
Roteiro Alagoas 6836 100/62 129 14,9% 0% 0% 3
Sabinópolis Minas Gerais 16042 96/68 920 16,5% 0% 0% 3
Salto da Divisa Minas Gerais 7084 98/100 944 7,7% 4% 4% 3
Santa Bárbara do Monte Verde Minas Gerais 2972 100/1000 416 22,5% 0% 0% 3
Santa Cruz Cabrália Bahia 27854 99/100 1551 33,6% 0% 8% 3
Santa Leopoldina Espiríto Santo 12881 100/93 716 27,7% 0% 0% 3
Santa Maria Madalena Rio de Janeiro 10282 100/100 816 25,5% 9% 0% 2
Santa Rita de Jacutinga Minas Gerais 5090 100/100 438 23,0% 0% 0% 3
Santa Rosa de Lima Sergipe 3886 100/89 68 15,5% 0% 0% 3
Santa Rosa de Lima Santa Catarina 2116 95/81 203 47,6% 0% 0% 3

78
Santana do Deserto Minas Gerais 3997 100/100 182 20,8% 0% 0% 3
Santana dos Montes Minas Gerais 3908 100/99 196 17,8% 0% 0% 3
São Bonifácio Santa Catarina 2989 100/100 461 61,8% 19% 19% 2
São José do Barreiro São Paulo 4190 100/100 571 37,3% 31% 32% 1
São José dos Ausentes Rio Grande do Sul 3441 100/99 1177 13,7% 0% 0% 3
São Martinho Santa Catarina 3239 98/81 225 35,7% 2% 2% 3
São Sebastião do Rio Preto Minas Gerais 1622 82/72 127 11,4% 0% 0% 3
Sapucaí-Mirim Minas Gerais 6616 57/100 285 18,2% 0% 98% 3
Senador Cortes Minas Gerais 2046 100/42 98 13,2% 0% 0% 3
Senhora do Porto Minas Gerais 3597 100/100 382 15,4% 0% 0% 3
Serra Azul de Minas Minas Gerais 4353 53/80 223 18,7% 3% 38% 3
Serranos Minas Gerais 2037 82/85 213 7,1% 0% 0% 3
Sete Barras São Paulo 13239 96/100 1052 70,2% 26% 87% 1
Setubinha Minas Gerais 11592 100/100 536 48,3% 0% 0% 3
Silva Jardim Rio de Janeiro 21366 100/100 938 34,1% 6% 97% 2
Silveira Martins Rio Grande do Sul 2495 92/95 118 31,3% 0% 0% 3
Silveirânia Minas Gerais 2271 100/99 157 12,7% 0% 0% 3
Simão Pereira Minas Gerais 2628 100/96 135 16,1% 0% 0% 3
Siriri Sergipe 8496 100/56 169 13,2% 0% 0% 3
Sooretama Espiríto Santo 26843 100/100 593 42,0% 39% 39% 1
Tapiraí São Paulo 8125 100/100 755 82,9% 2% 76% 3
Timbé do Sul Santa Catarina 5387 100/97 333 56,7% 0% 0% 3
Trajano de Morais Rio de Janeiro 10347 100/100 590 24,4% 0% 0% 3
Três Forquilhas Rio Grande do Sul 2953 100/98 217 47,5% 0% 60% 3
Treviso Santa Catarina 3706 82/23 158 53,0% 7% 7% 2
Ubaíra Bahia 21897 100/99 762 12,8% 0% 0% 3
Umburatiba Minas Gerais 2746 91/99 405 6,9% 0% 0% 3
União da Serra Rio Grande do Sul 1457 100/100 131 16,0% 0% 0% 3

79
Varzedo Bahia 9449 100/46 167 11,3% 0% 0% 3
Vereda Bahia 6781 91/100 829 6,3% 0% 0% 3
Vista Alegre do Prata Rio Grande do Sul 1614 100/100 119 18,6% 0% 0% 3
Wenceslau Guimarães Bahia 23046 96/98 662 12,5% 4% 4% 3
Zortéa Santa Catarina 3153 13/92 190 13,3% 0% 0% 3

Selecionados somente no Futuro


Açucena Minas Gerais 10297 60 812 8,7% 6% 6% 2
Alto Rio Doce Minas Gerais 12120 97 519 14,6% 0% 0% 3
Amaraji Pernambuco 22555 95 235 25,0% 0% 0% 3
Apiúna Santa Catarina 10099 100 494 66,4% 20% 21% 2
Aracitaba Minas Gerais 2113 37 106 7,2% 0% 0% 3
Barra de Santo Antônio Alagoas 15377 100 138 26,4% 0% 4% 3
Barra de São Miguel Alagoas 8112 83 77 26,4% 0% 0% 3
Belo Vale Minas Gerais 7789 69 365 10,9% 0% 0% 3
Benedito Novo Santa Catarina 10906 33 388 45,6% 3% 3% 3
Brás Pires Minas Gerais 4664 99 223 13,8% 0% 0% 3
Cachoeira de Pajeú Minas Gerais 9333 19 674 22,0% 0% 0% 3
Cananéia São Paulo 12598 95 1242 81,5% 43% 90% 1
Casimiro de Abreu Rio de Janeiro 38492 72 461 31,8% 3% 77% 3
Catuji Minas Gerais 6761 72 421 18,8% 0% 47% 3
Cerro Branco Rio Grande do Sul 4639 35 154 31,5% 0% 0% 3
Chácara Minas Gerais 2977 98 153 10,2% 0% 0% 3
Colônia Leopoldina Alagoas 21307 99 287 21,3% 0% 77% 3
Coluna Minas Gerais 9213 96 348 16,2% 0% 0% 3
Cortês Pernambuco 12647 48 101 24,6% 0% 0% 3
Coruripe Alagoas 55648 87 913 13,6% 0% 0% 3

80
Cruz do Espírito Santo Paraíba 16836 42 196 15,5% 0% 0% 3
Cruzmaltina Paraná 3185 39 312 7,3% 0% 0% 3
Dário Meira Bahia 12721 70 400 26,5% 2% 2% 3
Divisópolis Minas Gerais 9838 90 566 23,6% 0% 0% 3
Dom Silvério Minas Gerais 5344 68 195 14,1% 0% 0% 3
Domingos Martins Espiríto Santo 34059 54 1226 24,2% 0% 0% 3
Dona Emma Santa Catarina 3912 19 181 25,3% 0% 0% 3
Eldorado São Paulo 15238 100 1657 71,3% 19% 74% 2
Elísio Medrado Bahia 8426 82 200 7,6% 0% 0% 3
Espigão Alto do Iguaçu Paraná 4642 99 326 21,7% 0% 0% 3
Frei Gaspar Minas Gerais 6033 100 628 15,1% 0% 0% 3
Frei Lagonegro Minas Gerais 3462 97 169 12,5% 0% 0% 3
Gongogi Bahia 8325 3 198 2,4% 0% 0% 3
Guaraciaba Minas Gerais 10521 77 349 15,9% 0% 0% 3
Ibateguara Alagoas 15762 86 261 22,6% 0% 51% 3
Iguape São Paulo 30124 100 1981 73,7% 40% 52% 1
Itagi Bahia 13433 100 303 35,5% 0% 0% 3
Itagibá Bahia 15829 47 810 16,5% 0% 0% 3
Itaipé Minas Gerais 12403 92 481 34,9% 0% 100% 3
Itamarati de Minas Minas Gerais 4270 34 118 18,6% 0% 0% 3
Jacinto Machado Santa Catarina 10677 53 429 29,7% 7% 7% 2
Joaquim Nabuco Pernambuco 16056 96 122 35,3% 0% 0% 3
Ladainha Minas Gerais 17782 98 865 35,6% 0% 100% 3
Lima Duarte Minas Gerais 16740 63 848 13,9% 0% 0% 3
Linhares Espiríto Santo 157814 86 3501 22,0% 1% 2% 3
Luiziana Paraná 7487 100 909 13,9% 0% 0% 3
Mar de Espanha Minas Gerais 12384 49 372 14,7% 1% 0% 3
Maraial Pernambuco 12009 100 196 21,0% 0% 0% 3

81
Marcação Paraíba 8117 44 123 16,2% 0% 20% 3
Marechal Floriano Espiríto Santo 15689 21 286 35,3% 0% 0% 3
Matelândia Paraná 17026 100 640 49,5% 45% 45% 1
Mato Rico Paraná 3765 98 394 11,9% 0% 0% 3
Matriz de Camaragibe Alagoas 25005 70 330 13,1% 0% 0% 3
Matutina Minas Gerais 3856 16 260 10,3% 0% 0% 3
Mundo Novo Bahia 26518 67 1496 21,7% 0% 0% 3
Murici Alagoas 28158 100 424 17,1% 9% 50% 2
Nova Cantu Paraná 7023 50 556 10,2% 0% 0% 3
Nova Castilho São Paulo 1195 72 184 4,7% 0% 0% 3
Nova Laranjeiras Paraná 12010 46 1146 12,5% 0% 0% 3
Nova Palma Rio Grande do Sul 6569 11 313 19,0% 0% 0% 3
Novo Lino Alagoas 12479 85 182 13,4% 0% 23% 3
Oliveira Fortes Minas Gerais 2181 42 111 7,8% 0% 0% 3
Ortigueira Paraná 23646 86 2430 13,3% 0% 0% 3
Paiva Minas Gerais 1590 68 58 11,4% 0% 0% 3
Paraíso do Sul Rio Grande do Sul 7615 88 342 23,8% 0% 0% 3
Passo de Camaragibe Alagoas 15372 98 187 17,2% 0% 7% 3
Paula Cândido Minas Gerais 9605 90 269 17,2% 0% 0% 3
Paulistas Minas Gerais 5020 95 220 14,1% 0% 0% 3
Peçanha Minas Gerais 17797 52 996 8,2% 0% 0% 3
Pedra Azul Minas Gerais 24612 99 1619 24,9% 0% 0% 3
Pedra Dourada Minas Gerais 2345 99 70 18,5% 0% 0% 3
Pinhal da Serra Rio Grande do Sul 2151 100 434 8,1% 0% 0% 3
Pinhal Grande Rio Grande do Sul 4577 83 477 9,2% 1% 0% 3
Piranga Minas Gerais 17804 85 657 14,0% 0% 0% 3
Ponto dos Volantes Minas Gerais 11881 100 1215 32,3% 0% 0% 3
Poté Minas Gerais 16350 21 633 23,1% 0% 83% 3

82
Presidente Bernardes Minas Gerais 5630 96 237 13,4% 0% 0% 3
Presidente Nereu Santa Catarina 2314 100 225 62,7% 22% 22% 2
Relvado Rio Grande do Sul 2205 70 123 21,2% 0% 0% 3
Ribeira São Paulo 3427 13 335 22,7% 0% 0% 3
Rio Acima Minas Gerais 9704 99 230 35,0% 0% 100% 3
Rio Branco do Ivaí Paraná 4056 10 386 8,6% 0% 0% 3
Rio dos Cedros Santa Catarina 10879 96 556 51,8% 0% 0% 3
Rio Espera Minas Gerais 6045 61 240 10,8% 0% 0% 3
Rio Manso Minas Gerais 5585 93 232 13,2% 0% 0% 3
Rio Tinto Paraíba 23883 94 467 19,5% 1% 20% 3
Roncador Paraná 11365 75 742 13,4% 0% 0% 3
Rosário do Catete Sergipe 10013 15 105 10,8% 0% 0% 3
Santa Bárbara Minas Gerais 29595 55 684 36,1% 0% 49% 3
Santa Inês Bahia 10884 74 356 15,7% 0% 0% 3
Santa Luzia do Norte Alagoas 7257 25 29 28,9% 0% 0% 3
Santa Maria de Itabira Minas Gerais 10918 100 598 16,6% 0% 21% 3
Santa Maria do Salto Minas Gerais 5406 50 442 11,9% 10% 10% 2
Santa Rita do Itueto Minas Gerais 5782 93 486 16,3% 7% 7% 2
Santa Terezinha Santa Catarina 8883 100 716 46,6% 0% 0% 3
Santo Antônio do Aventureiro Minas Gerais 3650 99 202 11,3% 0% 0% 3
São Benedito do Sul Pernambuco 14900 27 157 19,2% 0% 0% 3
São Domingos do Prata Minas Gerais 17811 90 747 15,3% 0% 0% 3
São Francisco de Paula Rio Grande do Sul 21408 89 3274 13,6% 1% 9% 3
São Francisco de Paula Minas Gerais 6666 64 316 9,7% 0% 0% 3
São Gonçalo do Rio Abaixo Minas Gerais 10384 72 365 15,0% 0% 0% 3
São José do Jacuri Minas Gerais 6694 91 346 11,5% 0% 0% 3
São Luís do Quitunde Alagoas 34239 49 404 11,4% 0% 0% 3
São Miguel dos Milagres Alagoas 7709 95 65 23,3% 0% 0% 3

83
São Sebastião do Rio Preto Minas Gerais 2206 11 92 10,4% 0% 0% 3
São Valentim do Sul Rio Grande do Sul 2249 38 92 19,8% 0% 0% 3
Sapopema Paraná 6912 78 678 11,4% 0% 0% 3
Siderópolis Santa Catarina 13499 18 263 53,4% 18% 18% 2
Taparuba Minas Gerais 3210 28 191 11,1% 0% 0% 3
Una Bahia 22989 98 1159 37,0% 38% 38% 1
Urubici Santa Catarina 11012 100 1019 42,1% 13% 13% 2
Vidal Ramos Santa Catarina 6377 99 339 46,8% 5% 5% 2
Virginópolis Minas Gerais 10830 67 440 11,8% 0% 0% 3
Vitor Meireles Santa Catarina 5190 100 372 42,1% 0% 13% 3

Sempre incluídos
Angra dos Reis Rio de Janeiro 181486 100 801 81,3% 56% 60% 0
Barra do Turvo São Paulo 7878 100 1007 53,6% 62% 80% 0
Bertioga São Paulo 53679 100 491 83,0% 67% 67% 0
Caraguatatuba São Paulo 109678 100 483 80,3% 68% 68% 0
Céu Azul Paraná 11528 100 1179 72,7% 72% 72% 0
Ilhabela São Paulo 30983 100 338 44,4% 84% 85% 0
Iporanga São Paulo 4369 100 1160 81,8% 50% 82% 0
Marliéria Minas Gerais 4125 100 546 57,7% 55% 55% 0
Parati Rio de Janeiro 39434 100 920 78,7% 53% 82% 0
Paulo Lopes Santa Catarina 7045 100 450 69,2% 55% 55% 0
Pedro de Toledo São Paulo 10791 100 671 84,3% 70% 82% 0
Santo Amaro da Imperatriz Santa Catarina 21221 100 345 69,1% 57% 57% 0
São Sebastião São Paulo 80379 100 400 91,0% 69% 70% 0
Serranópolis do Iguaçu Paraná 4667 100 484 60,6% 64% 64% 0

84
Ubatuba São Paulo 84377 100 701 65,4% 72% 73% 0

85
Anexo 3: Resultados das UCs analisadas quando comparados com os municipios selecionados. Nome da UC. Categoria pertencente à UC; PI=Proteção Integral; US= Uso Sustentável. Esfera =
Esfera de gestão politica. Estado pertencente a UC. Área total da UC em m². O quanto da UC está compativel com os resultados dos municipios selecionados no cenario atual e futuro. * UC
predominante em bioma marinho costeiro.

Área da UC em Municípios

Área da UC em Municípios
Selecionados no Presente

Selecionados em 2050
Área Total UC
Categoria

ESFERA

Estado
NOME

ESTAÇÃO ECOLÓGICA DE ARÊDES PI estadual Minas Gerais 11584000 0,0% 0,0%


ESTAÇÃO ECOLÓGICA BANANAL PI estadual São Paulo 8472110 100,0% 100,0%
ESTAÇÃO ECOLÓGICA CHAÚAS PI estadual São Paulo 26422100 100,0% 0,0%
ESTAÇÃO ECOLÓGICA DA GUANABARA PI federal Rio de Janeiro 19362200 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DE ÁGUA LIMPA PI estadual Minas Gerais 709819 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DE ANGATUBA PI estadual São Paulo 13628800 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DE ARACURI-ESMERALDA PI federal Rio Grande do Sul 2769760 100,0% 100,0%
ESTAÇÃO ECOLÓGICA DE CAETÉS PI estadual Pernambuco 104940 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DE CARIJÓS PI federal Santa Catarina 7593280 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DE FECHOS PI estadual Minas Gerais 5492900 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DE GUARAQUEÇABA PI federal Paraná 44757100 100,0% 100,0%
ESTAÇÃO ECOLÓGICA DE ITAPETI PI estadual São Paulo 900746 0,0% 0,0%

86
ESTAÇÃO ECOLÓGICA DE MARÍLIA PI estadual São Paulo 5756610 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DE MATA PRETA PI federal Paraná 65656700 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DE MOGI-GUAÇU PI estadual São Paulo 9882430 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DE MURICI PI federal Alagoas 61314500 99,1% 37,4%
ESTAÇÃO ECOLÓGICA DE PAULO DE FARIA PI estadual São Paulo 4340390 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DE TAMOIOS* PI federal Rio de Janeiro 93612096 4,4% 4,4%
ESTAÇÃO ECOLÓGICA DE XITUÉ PI estadual São Paulo 29621700 1,2% 0,2%
ESTAÇÃO ECOLÓGICA DO CERCADINHO PI estadual Minas Gerais 2250090 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DO GUARAGUAÇU PI estadual Paraná 11878600 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DO NOROESTE PAULISTA PI estadual São Paulo 1664670 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DO TAIM PI federal Rio Grande do Sul 109386000 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DO TRIPUÍ PI estadual Minas Gerais 2987160 0,0% 0,0%
ESTAÇÃO ECOLÓGICA DOS CAETETUS PI estadual São Paulo 22543400 0,0% 100,0%
ESTAÇÃO ECOLÓGICA DOS TUPINIQUINS* PI federal São Paulo 17276900 1,6% 0,0%
ESTAÇÃO ECOLÓGICA ESTADUAL ARATINGA PI estadual Rio Grande do Sul 60414800 100,0% 48,2%
ESTAÇÃO ECOLÓGICA ESTADUAL DE GUAXINDIBA PI estadual Rio de Janeiro 32591900 0,0% 0,0%
ESTAÇÃO ECOLÓGICA ESTADUAL WENCESLAU GUIMARÃES PI estadual Bahia 24193900 100,0% 100,0%
ESTAÇÃO ECOLÓGICA FERNANDES PINHEIRO PI estadual Paraná 5131170 0,0% 0,0%
ESTAÇÃO ECOLÓGICA JURÉIA-ITATINS PI estadual São Paulo 843784000 92,3% 5,7%
ESTAÇÃO ECOLÓGICA MAR DE ESPANHA PI estadual Minas Gerais 1869650 100,0% 0,0%
ESTAÇÃO ECOLÓGICA MICO LEÃO PRETO PI federal Rio de Janeiro 66806200 0,0% 0,0%
ESTAÇÃO ECOLÓGICA MUNICIPAL ILHA DO LAMEIRÃO PI municipal Espírito Santo 8722210 0,0% 0,0%
ESTAÇÃO ECOLÓGICA RIO DOS TOUROS PI estadual Paraná 12161600 100,0% 100,0%
ESTAÇÃO ECOLÓGICA VALINHOS PI estadual São Paulo 180883 0,0% 0,0%
MONUMENTO NATURAL DOS MORROS DO PÃO DE AÇÚCAR E URCA PI municipal Rio de Janeiro 914716 0,0% 0,0%
MONUMENTO NATURAL DOS PONTÕES CAPIXABAS PI federal Espírito Santo 174432992 0,0% 0,0%
MONUMENTO NATURAL ESTADUAL SERRA DAS TORRES PI estadual Espírito Santo 104529000 0,0% 0,0%
MONUMENTO NATURAL ESTADUAL DA PEDRA DO BAÚ PI estadual São Paulo 31562200 0,0% 99,8%

87
MONUMENTO NATURAL ESTADUAL DA PEDRA GRANDE PI estadual São Paulo 32976300 0,0% 0,6%
MONUMENTO NATURAL ESTADUAL DE ITATIAIA PI estadual Minas Gerais 32168700 0,0% 0,0%
MONUMENTO NATURAL ESTADUAL PICO DO IBITURUNA PI estadual Minas Gerais 10745700 0,0% 0,0%
MONUMENTO NATURAL ESTADUAL SERRA DA MOEDA PI estadual Minas Gerais 23564400 0,1% 0,0%
MONUMENTO NATURAL ESTADUAL SERRA DO GAMBÁ PI estadual Minas Gerais 4424660 0,0% 0,0%
MONUMENTO NATURAL ESTADUAL VÁRZEA DO LAGEADO E SERRA DO
RAIO PI estadual Minas Gerais 22003000 0,0% 0,0%
MONUMENTO NATURAL MUNICIPAL DA PEDRA DO COLÉGIO PI municipal Rio de Janeiro 1273650 100,0% 100,0%
MONUMENTO NATURAL MUNICIPAL DA SERRA DA BOLÍVIA PI municipal Rio de Janeiro 3324150 0,0% 0,0%
MONUMENTO NATURAL MUNICIPAL DO PICO DO ITAGUARÉ PI municipal São Paulo 33307900 0,0% 0,0%
MONUMENTO NATURAL MUNICIPAL FALÉSIAS DE MARATAÍZES PI municipal Espírito Santo 421769 0,0% 0,0%
MONUMENTO NATURAL MUNICIPAL SERRA DA FERRUGEM PI municipal Minas Gerais 8673300 0,0% 100,0%
MUNUMENTO NATURAL DOS CANIONS DO SUBAÉ PI estadual Bahia 4044590 0,0% 0,0%
PARQUE ESTADUAL DA ILHA DO CARDOSO PI estadual São Paulo 131552000 99,5% 0,0%
PARQUE ESTADUAL DE ILHABELA PI estadual São Paulo 293177984 96,3% 96,3%
PARQUE ESTADUAL ACARAI PI estadual Santa Catarina 66663800 0,0% 0,0%
PARQUE ESTADUAL ALBERTO LÖFGREN PI estadual São Paulo 1771010 0,0% 0,0%
PARQUE ESTADUAL ALTO DO CARIRI PI estadual Minas Gerais 59558600 100,0% 66,1%
PARQUE ESTADUAL CAMINHO DOS GERAIS PI estadual Minas Gerais 562140032 0,0% 0,0%
PARQUE ESTADUAL CARLOS BOTELHO PI estadual São Paulo 401361984 65,4% 100,0%
PARQUE ESTADUAL CAVERNA DO DIABO PI estadual São Paulo 401744992 91,8% 52,0%
PARQUE ESTADUAL CUNHAMBEBE PI estadual Rio de Janeiro 380756000 57,2% 98,7%
PARQUE ESTADUAL DA ARA PI estadual São Paulo 672249 0,0% 0,0%
PARQUE ESTADUAL DA CAMPINA DO ENCANTADO PI estadual São Paulo 31231500 0,2% 0,0%
PARQUE ESTADUAL DA CANTAREIRA PI estadual São Paulo 76197904 0,0% 0,0%
PARQUE ESTADUAL DA COSTA DO SOL PI estadual Rio de Janeiro 98285104 0,0% 0,0%
PARQUE ESTADUAL DA FONTE GRANDE PI municipal Espírito Santo 2172420 0,0% 0,0%
PARQUE ESTADUAL DA ILHA GRANDE PI estadual Rio de Janeiro 122309000 99,7% 99,7%

88
PARQUE ESTADUAL DA LAGOA DO AÇU PI estadual Rio de Janeiro 82490304 0,0% 0,0%
PARQUE ESTADUAL DA MATA ATLÂNTICA PI estadual Goiás 9371850 0,0% 0,0%
PARQUE ESTADUAL DA PEDRA SELADA PI estadual Rio de Janeiro 80414200 0,0% 0,0%
PARQUE ESTADUAL DA SERRA DA CONCÓRDIA PI estadual Rio de Janeiro 10407300 0,0% 0,0%
PARQUE ESTADUAL DA SERRA DO CONDURU PI estadual Bahia 91507904 0,0% 0,0%
PARQUE ESTADUAL DA SERRA DO MAR PI estadual São Paulo 3222939904 62,9% 65,4%
PARQUE ESTADUAL DA SERRA DO TABULEIRO PI estadual Santa Catarina 839075968 81,1% 81,1%
PARQUE ESTADUAL DA SERRA DOURADA PI estadual Goiás 286436992 0,0% 0,0%
PARQUE ESTADUAL DA SERRA FURADA PI estadual Santa Catarina 14706400 0,0% 0,0%
PARQUE ESTADUAL DAS ARAUCÁRIAS PI estadual Santa Catarina 6260900 0,0% 0,0%
PARQUE ESTADUAL DAS FONTES DO IPIRANGA PI estadual São Paulo 332177 0,0% 0,0%
PARQUE ESTADUAL DAS SETE PASSAGENS PI estadual Bahia 28218600 0,0% 0,0%
PARQUE ESTADUAL DAS TRILHAS DOS CINCO RIOS PI estadual Paraíba 141788 0,0% 0,0%
Mato Grosso do
PARQUE ESTADUAL DAS VÁRZEAS DO RIO IVINHEMA PI estadual Sul 742225024 0,0% 0,0%
PARQUE ESTADUAL DE CAMPOS DO JORDÃO PI estadual São Paulo 81363696 0,0% 0,0%
PARQUE ESTADUAL DE DOIS IRMÃOS PI estadual Pernambuco 2317640 0,0% 0,0%
PARQUE ESTADUAL DE ESPIGÃO ALTO PI estadual Rio Grande do Sul 14301600 0,0% 100,0%
PARQUE ESTADUAL DE ITABERABA PI estadual São Paulo 151179008 0,0% 11,2%
PARQUE ESTADUAL DE ITAPETINGA PI estadual São Paulo 101938000 0,0% 14,8%
PARQUE ESTADUAL DE ITAPEVA PI estadual Rio Grande do Sul 10009400 0,0% 0,0%
PARQUE ESTADUAL DE PORTO FERREIRA PI estadual São Paulo 6809080 0,0% 0,0%
PARQUE ESTADUAL DO AGUAPEÍ PI estadual São Paulo 90480896 0,0% 0,0%
PARQUE ESTADUAL DO ARATU PI estadual Paraíba 90011 0,0% 0,0%
PARQUE ESTADUAL DO DESENGANO PI estadual Rio de Janeiro 214040000 33,9% 33,9%
PARQUE ESTADUAL DO FORNO GRANDE PI estadual Espírito Santo 7631040 0,0% 0,0%
PARQUE ESTADUAL DO IBITIRIÁ PI estadual Rio Grande do Sul 4713390 27,0% 27,0%
PARQUE ESTADUAL DO ITACOLOMI PI estadual Minas Gerais 61425100 0,0% 0,0%

89
PARQUE ESTADUAL DO ITINGUÇU PI estadual São Paulo 50380300 18,5% 0,0%
PARQUE ESTADUAL DO JACARAPÉ PI estadual Paraíba 185200 0,0% 0,0%
PARQUE ESTADUAL DO JARAGUÁ PI estadual São Paulo 4889590 0,0% 0,0%
PARQUE ESTADUAL DO JUQUERY PI estadual São Paulo 19782800 0,0% 0,0%
PARQUE ESTADUAL DO JURUPARÁ PI estadual São Paulo 262351008 0,3% 94,3%
PARQUE ESTADUAL DO MENDANHA PI estadual Rio de Janeiro 43990700 0,0% 0,0%
PARQUE ESTADUAL DO MORRO DO DIABO PI estadual São Paulo 365494016 0,0% 0,0%
PARQUE ESTADUAL DO PAPAGAIO-CHARÃO PI estadual Rio Grande do Sul 10092100 0,0% 0,0%
PARQUE ESTADUAL DO PRELADO PI estadual São Paulo 18272100 99,9% 0,0%
PARQUE ESTADUAL DO RIO DA ONÇA PI estadual Paraná 1306700 0,0% 0,0%
PARQUE ESTADUAL DO RIO DOCE PI estadual Minas Gerais 359464000 83,7% 83,7%
PARQUE ESTADUAL DO RIO PEIXE PI estadual São Paulo 77125400 0,0% 0,0%
PARQUE ESTADUAL DO RIO TURVO PI estadual São Paulo 738201984 70,0% 69,9%
PARQUE ESTADUAL DO RIO VERMELHO PI estadual Santa Catarina 15400300 0,0% 0,0%
PARQUE ESTADUAL DO TAINHAS PI estadual Rio Grande do Sul 66593300 100,0% 79,7%
PARQUE ESTADUAL DO TURVO PI estadual Rio Grande do Sul 167668000 99,8% 99,8%
PARQUE ESTADUAL DOS MANANCIAIS DE CAMPOS DO JORDÃO PI estadual São Paulo 5170320 0,0% 0,0%
PARQUE ESTADUAL FRITZ PLAUMANN PI estadual Santa Catarina 7249740 0,0% 0,0%
PARQUE ESTADUAL INTERVALES PI estadual São Paulo 406481984 99,0% 61,1%
PARQUE ESTADUAL LAGAMAR DE CANANEIA PI estadual São Paulo 407057984 99,2% 0,3%
PARQUE ESTADUAL MATA DO PAU FERRO PI estadual Paraíba 19894 0,0% 0,0%
PARQUE ESTADUAL NASCENTES DO PARANAPANEMA PI estadual São Paulo 222112992 0,3% 99,7%
PARQUE ESTADUAL NOVA BADEN PI estadual Minas Gerais 2133720 0,0% 0,0%
PARQUE ESTADUAL PICO DO ITAMBÉ PI estadual Minas Gerais 65205500 11,9% 83,9%
PARQUE ESTADUAL QUARTA COLÔNIA PI estadual Rio Grande do Sul 21105100 20,2% 0,0%
PARQUE ESTADUAL RESTINGA DE BERTIOGA PI estadual São Paulo 93176000 100,0% 100,0%
PARQUE ESTADUAL RIO CANOAS PI estadual Santa Catarina 11341500 0,0% 0,0%
PARQUE ESTADUAL RIO CORRENTE PI estadual Minas Gerais 51747200 99,9% 0,0%

90
PARQUE ESTADUAL SERRA DA CANDONGA PI estadual Minas Gerais 33284100 0,6% 0,6%
PARQUE ESTADUAL SERRA DO BRIGADEIRO PI estadual Minas Gerais 149698000 38,4% 38,4%
PARQUE ESTADUAL SERRA DO INTENDENTE PI estadual Minas Gerais 135122000 0,0% 99,6%
PARQUE ESTADUAL SERRA DO OURO BRANCO PI estadual Minas Gerais 75232000 0,0% 0,0%
PARQUE ESTADUAL SERRA DO PAPAGAIO PI estadual Minas Gerais 250843008 50,3% 55,6%
PARQUE ESTADUAL SERRA DO ROLA MOÇA PI estadual Minas Gerais 40310600 0,0% 0,0%
PARQUE ESTADUAL SETE SALÕES PI estadual Minas Gerais 133700000 26,0% 2,5%
PARQUE ESTADUAL TURÍSTICO DO ALTO DO RIBEIRA PI estadual São Paulo 357761984 70,4% 70,4%
PARQUE ESTADUAL VERDE GRANDE PI estadual Minas Gerais 255612992 0,0% 0,0%
PARQUE ESTADUAL XIXOVÁ-JAPUÍ PI estadual São Paulo 8875680 0,0% 0,0%
PARQUE NACIONAL CAVERNAS DO PERUAÇU PI federal Minas Gerais 564480000 0,0% 0,0%
PARQUE NACIONAL DA CHAPADA DIAMANTINA PI federal Bahia 1521410048 40,1% 40,1%
PARQUE NACIONAL DA LAGOA DO PEIXE PI federal Rio Grande do Sul 367126016 0,0% 0,0%
São Paulo/Rio de
PARQUE NACIONAL DA SERRA DA BOCAINA PI federal Janeiro 1040440000 99,9% 99,9%
PARQUE NACIONAL DA SERRA DAS LONTRAS PI federal Bahia 113436000 37,0% 0,0%
PARQUE NACIONAL DA SERRA DE ITABAIANA PI federal Sergipe 79989600 3,7% 3,7%
PARQUE NACIONAL DA SERRA DO ITAJAÍ PI federal Santa Catarina 573742976 39,0% 10,8%
PARQUE NACIONAL DA SERRA DOS ORGÃOS PI federal Rio de Janeiro 200204000 0,0% 0,0%
Santa Catarina/Rio
PARQUE NACIONAL DA SERRA GERAL PI federal Grande do Sul 173019008 70,8% 83,7%
PARQUE NACIONAL DA TIJUCA PI federal Rio de Janeiro 39584600 0,0% 0,0%
PARQUE NACIONAL DAS ARAUCÁRIAS PI federal Santa Catarina 128094000 44,6% 100,0%
Santa Catarina/Rio
PARQUE NACIONAL DE APARADOS DA SERRA PI federal Grande do Sul 131478000 61,5% 100,0%
PARQUE NACIONAL DE BOA NOVA PI federal Bahia 120652000 0,2% 0,0%
Minas
PARQUE NACIONAL DE CAPARAÓ PI federal Gerais/Bahia 317627008 12,4% 46,7%
PARQUE NACIONAL DE ILHA GRANDE PI federal Rio de Janeiro 760785984 0,0% 0,0%

91
PARQUE NACIONAL DE JERICOACOARA PI federal Ceará 88627696 0,0% 0,0%
PARQUE NACIONAL DE SAINT-HILAIRE/LANGE PI federal Paraná 251188000 1,4% 1,4%
PARQUE NACIONAL DE SÃO JOAQUIM PI federal Santa Catarina 455236992 68,9% 40,9%
PARQUE NACIONAL DO ALTO CARIRI PI federal Bahia 192379008 100,0% 100,0%
PARQUE NACIONAL DO DESCOBRIMENTO PI federal Bahia 226940000 100,0% 100,0%
PARQUE NACIONAL DO IGUAÇU PI federal Paraná 1696950016 85,5% 68,4%
PARQUE NACIONAL DO ITATIAIA PI federal Rio de Janeiro 280856000 54,9% 54,9%
PARQUE NACIONAL DO MONTE PASCOAL PI federal Bahia 223318000 0,4% 0,4%
PARQUE NACIONAL DO SUPERAGUI PI federal Paraná 338601984 99,9% 99,6%
PARQUE NACIONAL DOS CAMPOS GERAIS PI federal Paraná 212987008 0,0% 0,0%
PARQUE NACIONAL PAU BRASIL PI federal Bahia 189342000 0,0% 0,0%
PARQUE NACIONAL RESTINGA DE JURUBATIBA PI federal Rio de Janeiro 148674000 0,0% 62,0%
PARQUE NACIONAL SERRA DAS CONFUSÕES PI federal Piauí 8238309888 0,0% 0,0%
PARQUE NATURAL MUNICIPAL BARÃO DE MAUÁ PI municipal Rio de Janeiro 1156970 0,0% 0,0%
PARQUE NATURAL MUNICIPAL BOSQUE DA BARRA PI municipal Rio de Janeiro 536514 0,0% 0,0%
PARQUE NATURAL MUNICIPAL CAIXA D ÁGUA PI municipal Rio de Janeiro 6146 0,0% 0,0%
PARQUE NATURAL MUNICIPAL CARIJÓS PI municipal Santa Catarina 279719 0,0% 0,0%
PARQUE NATURAL MUNICIPAL CHAPÉU DAS ÁGUAS PI municipal Santa Catarina 5087330 100,0% 0,0%
PARQUE NATURAL MUNICIPAL CHICO MENDES PI municipal Rio de Janeiro 436527 0,0% 0,0%
PARQUE NATURAL MUNICIPAL CORREDORES DE BIODIVERSIDADE PI municipal São Paulo 623826 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DA BIQUINHA PI municipal Minas Gerais 205876 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DA CAIEIRA PI municipal Santa Catarina 1419770 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DA CATACUMBA PI municipal Rio de Janeiro 266385 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DA CIDADE PI municipal Rio de Janeiro 467802 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DA CIDADE DO NATAL DOM NIVALDO Rio Grande do
MONTE PI municipal Norte 106375 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DA CRATERA DE COLÔNIA PI municipal São Paulo 526614 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DA FREGUESIA PI municipal Rio de Janeiro 292179 0,0% 0,0%

92
PARQUE NATURAL MUNICIPAL DA GROTA DE MIRASSOL PI municipal São Paulo 180959 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DA MATA ATLÂNTICA ALDEENSE PI municipal Rio de Janeiro 2681240 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DA PRAINHA PI municipal Rio de Janeiro 1469580 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DA SERRA DA CAPOEIRA GRANDE PI municipal Rio de Janeiro 210011 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DA SERRA DE SÃO DOMINGOS PI municipal Minas Gerais 2490600 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DA SERRA DO MENDANHA PI municipal Rio de Janeiro 10525700 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DANZIGER HOF PI municipal Paraná 94409 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DAS ANDORINHAS PI municipal Minas Gerais 5595540 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DAVID VICTOR FARINA PI municipal Espírito Santo 428212 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DE CACHOEIRA DO CAMPO PI municipal Minas Gerais 36133 0,0% 0,0%
PARQUE NATURAL MUNICÍPAL DE DOMINGOS MARTINS PI municipal Espírito Santo 564093 100,0% 0,0%
PARQUE NATURAL MUNICIPAL DE GOVERNADOR VALADARES/MG PI municipal Minas Gerais 1182 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DE GRUMARI PI municipal Rio de Janeiro 7939840 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DE JACARENEMA PI municipal Espírito Santo 3463900 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DE MARAPENDI PI municipal Rio de Janeiro 1485550 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DE NAVEGANTES PI municipal Santa Catarina 135108 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DE PETRÓPOLIS PI municipal Rio de Janeiro 165215 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DE SERTÃO PI municipal Rio Grande do Sul 6141510 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DE TABUAZEIRO PI municipal Espírito Santo 46659 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DO ARICANGA WALDEMAR DEVENS PI municipal Espírito Santo 5042890 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DO ATALAIA PI municipal Santa Catarina 90176 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DO CAMPO GRANDE PI municipal São Paulo 1363040 0,0% 0,0%
Mato Grosso do
PARQUE NATURAL MUNICIPAL DO CÓRREGO CUMANDAÍ PI municipal Sul 84977 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DO CURIÓ PI municipal Rio de Janeiro 9142900 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DO JARDIM DO CARMO PI municipal Rio de Janeiro 25498 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DO MANGUEZAL DE ITANGUÁ PI municipal Espírito Santo 375551 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DO MONTE MOCHUARA PI municipal Espírito Santo 4362810 0,0% 0,0%

93
PARQUE NATURAL MUNICIPAL DO MORRO DA CRUZ PI municipal Santa Catarina 1304600 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DO TRABIJU PI municipal São Paulo 5838660 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DOM LUIZ GONZAGA FERNANDES PI municipal Espírito Santo 639064 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DOS CORAIS DE ARMAÇÃO DOS BÚZIOS PI municipal Rio de Janeiro 571174 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DOS JATOBÁS PI municipal São Paulo 1072890 0,0% 0,0%
PARQUE NATURAL MUNICIPAL DOS PURIS PI municipal Espírito Santo 364785 0,0% 0,0%
PARQUE NATURAL MUNICIPAL ESTORIL - VIRGÍLIO SIMIONATO PI municipal São Paulo 383320 0,0% 0,0%
PARQUE NATURAL MUNICIPAL FAZENDA DO CARMO PI municipal São Paulo 4487610 0,0% 0,0%
PARQUE NATURAL MUNICIPAL FAZENDA DO VIEGAS PI municipal Rio de Janeiro 84909 0,0% 0,0%
PARQUE NATURAL MUNICIPAL FAZENDA SANTA CECÍLIA DO INGÁ PI municipal Rio de Janeiro 2188860 0,0% 0,0%
PARQUE NATURAL MUNICIPAL FONTE DA SAUDADE PI municipal Rio de Janeiro 22225 0,0% 0,0%
PARQUE NATURAL MUNICIPAL FREYMUND GERMER PI municipal Santa Catarina 366049 0,0% 0,0%
PARQUE NATURAL MUNICIPAL GOIAPABA-AÇU PI municipal Espírito Santo 960139 0,0% 0,0%
PARQUE NATURAL MUNICIPAL GRUTA DA ONÇA PI municipal Espírito Santo 66694 0,0% 0,0%
PARQUE NATURAL MUNICIPAL ILHA DAS CAPIVARAS/SIBARA PI municipal Santa Catarina 101470 0,0% 0,0%
PARQUE NATURAL MUNICIPAL JOSÉ GUILHERME MERQUIOR PI municipal Rio de Janeiro 82867 0,0% 0,0%
PARQUE NATURAL MUNICIPAL MONTANHAS DE TERESÓPOLIS PI municipal Rio de Janeiro 43965100 0,0% 0,0%
PARQUE NATURAL MUNICIPAL MORADA DOS CORRÊAS PI municipal Rio de Janeiro 58825 0,0% 0,0%
PARQUE NATURAL MUNICIPAL MORRO DA PESCARIA PI municipal Espírito Santo 714 0,0% 0,0%
PARQUE NATURAL MUNICIPAL MORRO DO CÉU PI municipal Santa Catarina 851087 0,0% 0,0%
PARQUE NATURAL MUNICIPAL NASCENTES DE PARANAPIACABA PI municipal São Paulo 4498960 0,0% 0,0%
PARQUE NATURAL MUNICIPAL PAISAGEM CARIOCA PI municipal Rio de Janeiro 1598190 0,0% 0,0%
PARQUE NATURAL MUNICIPAL PEDRA DOS OLHOS PI municipal Espírito Santo 279683 0,0% 0,0%
PARQUE NATURAL MUNICIPAL PENHASCO DOIS IRMÃOS - ARQUITETO
SÉRGIO BERNARDES PI municipal Rio de Janeiro 375403 0,0% 0,0%
PARQUE NATURAL MUNICIPAL PEROBA ROSA PI municipal Paraná 28854 0,0% 0,0%
PARQUE NATURAL MUNICIPAL REGO DOS CARRAPATOS PI municipal Minas Gerais 33946 0,0% 0,0%
PARQUE NATURAL MUNICIPAL SALÃO DE PEDRAS PI municipal Minas Gerais 8577190 0,0% 100,0%

94
PARQUE NATURAL MUNICIPAL TANCREDO NEVES - PASSA CINCO PI municipal Minas Gerais 2628210 0,0% 0,0%
PARQUE NATURAL MUNICIPAL TRÊS COQUEIROS PI municipal Rio de Janeiro 254442 0,0% 0,0%
PARQUE NATURAL MUNICIPAL VALE DO MULEMBÁ PI municipal Espírito Santo 1421500 0,0% 0,0%
PARQUE NATURAL MUNICIPAL VERDE VALE PI municipal Rio de Janeiro 132130 0,0% 0,0%
PARQUE NATURAL MUNICIPAL VISTA ALEGRE PI municipal Paraná 100655 0,0% 0,0%
PARQUE NATURAL MUNICIPAL VON SCHILGEN PI municipal Espírito Santo 71284 0,0% 0,0%
REFUGIO DE VIDA SILVESTRE DA VENTANIA PI municipal Rio de Janeiro 31908000 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE DE BOA NOVA PI federal Bahia 150238000 5,6% 0,1%
Espírito Santo
REFÚGIO DE VIDA SILVESTRE DE SANTA CRUZ* PI federal /Bahia 177492000 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE DE UNA PI federal Bahia 232618000 93,1% 0,0%
REFÚGIO DE VIDA SILVESTRE DO RIO DOS FRADES PI federal Bahia 8986610 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE DOS CAMPOS DE PALMAS PI federal Paraná 165940992 0,0% 9,0%
REFÚGIO DE VIDA SILVESTRE ENGENHO MORENINHO PI estadual Pernambuco 631854 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE MATA DA USINA SÃO JOSÉ PI estadual Pernambuco 2899070 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE MATA DE BOM JARDIM PI estadual Pernambuco 2268790 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE MATA DE CARAÚNA PI estadual Pernambuco 1639660 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE MATA DE MIRITIBA PI estadual Pernambuco 2837950 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE MATA DE TAPACURÁ PI estadual Pernambuco 957098 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE MATA DO CONTRA-AÇUDE PI estadual Pernambuco 1305210 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE MATA DO JUNCO PI estadual Sergipe 8945840 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE MATA DO URUCU PI estadual Pernambuco 5315520 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE MATA SERRA DO COTOVELO PI estadual Pernambuco 876856 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE MATAS DO SISTEMA GURJAÚ PI estadual Pernambuco 13482300 0,0% 0,0%
REFÚGIO DE VIDA SILVESTRE SERRA DO CUMARU PI estadual Pernambuco 3560100 0,0% 0,0%
REFÚGIO ESTADUAL DE VIDA SILVESTRE LIBÉLULAS DA SERRA DE SÃO JOSÉ PI estadual Minas Gerais 37191200 0,0% 0,0%
REFÚGIO ESTADUAL DE VIDA SILVESTRE MATA DOS MURIQUIS PI estadual Minas Gerais 26015700 100,0% 0,4%
RESERVA BIOLÓGICA AUGUSTO RUSCHI PI federal Espírito Santo 35622500 0,0% 0,0%

95
RESERVA BIOLÓGICA BOM JESUS PI federal Paraná 341784000 50,7% 82,5%
RESERVA BIOLÓGICA DA MATA ESCURA PI federal Minas Gerais 508720992 98,6% 98,6%
RESERVA BIOLÓGICA DA SERRA GERAL PI estadual Rio Grande do Sul 48488800 88,8% 88,8%
Santa
RESERVA BIOLÓGICA DAS ARAUCÁRIAS PI federal Catarina/Paraná 149296992 0,0% 0,0%
RESERVA BIOLÓGICA DAS PEROBAS PI federal Paraná 87157400 0,0% 0,0%
RESERVA BIOLOGICA DE APIAÍ PI municipal São Paulo 28217400 0,0% 0,0%
RESERVA BIOLÓGICA DE ARARAS PI estadual Rio de Janeiro 38378300 0,0% 0,0%
RESERVA BIOLÓGICA DE COMBOIOS PI federal Espírito Santo 7847050 57,3% 0,0%
RESERVA BIOLOGICA DE PEDRA TALHADA PI federal Alagoas 43823400 1,3% 1,3%
RESERVA BIOLÓGICA DE PINHEIRO GROSSO PI municipal Minas Gerais 3557990 0,0% 0,0%
RESERVA BIOLÓGICA DE POÇO DAS ANTAS PI federal Rio de Janeiro 50652200 100,0% 99,6%
RESERVA BIOLÓGICA DE SALTINHO PI federal Pernambuco 5625620 0,0% 0,0%
RESERVA BIOLÓGICA DE SOORETAMA PI federal Espírito Santo 278585984 97,0% 83,8%
RESERVA BIOLÓGICA DE UNA PI federal Bahia 187247008 97,7% 0,0%
RESERVA BIOLÓGICA DO CÓRREGO DO VEADO PI federal Espírito Santo 23757300 0,0% 0,0%
RESERVA BIOLÓGICA DO CÓRREGO GRANDE PI federal Espírito Santo 15037300 0,0% 0,0%
RESERVA BIOLÓGICA DO TINGUÁ PI federal Rio de Janeiro 248128992 0,0% 0,0%
RESERVA BIOLÓGICA ESTADUAL DA PRAIA DO SUL PI estadual Rio de Janeiro 32669500 98,9% 98,9%
RESERVA BIOLÓGICA ESTADUAL DE GUARATIBA PI estadual Rio de Janeiro 33611100 0,0% 0,0%
RESERVA BIOLÓGICA ESTADUAL DO AGUAÍ PI estadual Santa Catarina 78536896 78,4% 18,4%
RESERVA BIOLOGICA ESTADUAL DO SASSAFRAS PI estadual Santa Catarina 54926900 99,8% 78,3%
RESERVA BIOLÓGICA ESTADUAL MATA PALUDOSA PI estadual Rio Grande do Sul 2720420 100,0% 100,0%
RESERVA BIOLÓGICA GUARIBAS PI federal Paraíba 40515900 9,0% 0,0%
RESERVA BIOLÓGICA MUNICIPAL DA MATA DO BISPO PI municipal Minas Gerais 6915640 4,2% 0,0%
RESERVA BIOLÓGICA UNIÃO PI federal Rio de Janeiro 29228400 45,7% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ESTADUAL CÓRREGO
CASCATA US estadual Espírito Santo 66782 0,0% 0,0%

96
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ÁGUAS CLARAS US federal São Paulo 140714 0,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL AGUAS CLARAS I US estadual Rio de Janeiro 20951 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL AGUAS CLARAS II US estadual Rio de Janeiro 34918 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ÁGUAS VERTENTES US estadual Rio de Janeiro 123689 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL AGULHAS NEGRAS US estadual Rio de Janeiro 161226 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ALIMERCINO GOMES
CARVALHO US federal Espírito Santo 60099 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ALTO DA BOA VISTA -
RESGATE VIII US federal Rio de Janeiro 297993 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ALTO DA MANTIQUEIRA US federal Minas Gerais 202795 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ALTO DA SERRA US estadual Espírito Santo 102013 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ALVORADA DO ITAVERÁ US estadual Rio de Janeiro 1605640 47,8% 47,8%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BACCHUS US estadual Rio de Janeiro 1017700 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BEI CANTONI US estadual Espírito Santo 40980 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BELAS ARTES US estadual Bahia 54737 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BELLO E KERIDA US estadual Rio de Janeiro 136907 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BELO MONTE US federal Ceará 157084 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BOA ESPERANÇA US estadual Rio de Janeiro 395514 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BOA UNIÃO US federal Bahia 1129270 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BOA VISTA US estadual Rio de Janeiro 498636 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BOA VISTA E PHAROL US estadual Rio de Janeiro 79898 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BOM SOSSEGO II US federal Bahia 538810 5,0% 5,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BOM SOSSEGO III US federal Bahia 257983 1,4% 1,4%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BOZI US estadual Bahia 356313 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL BUGIO E COMPANHIA US estadual Espírito Santo 65240 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CACHOEIRA US estadual Alagoas 340470 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CACHOEIRA ALTA US federal Espírito Santo 98526 100,0% 100,0%

97
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CACHOEIRA DA
FUMAÇA US estadual Espírito Santo 452208 0,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CACHOEIRINHA US estadual Rio de Janeiro 237354 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CAHY US federal Bahia 4955070 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CALDEIRÃO US estadual Rio de Janeiro 21793 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CAMPO ESCOTEIRO
GERALDO HUGO NUNES US estadual Rio de Janeiro 202841 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CANTO DA ARAPONGA US federal Santa Catarina 451695 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CANTO DO SENHOR US federal Bahia 79793 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CANTO DOS PÁSSAROS US estadual Rio de Janeiro 280546 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CANTO DOS PÁSSAROS
II US estadual Rio de Janeiro 30705 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CARPI US estadual Rio de Janeiro 82032 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CARROULA US federal Bahia 146593 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CHALÉ CLUB DO
ALAMBARY US estadual Rio de Janeiro 24337 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CISNE BRANCO US estadual Rio de Janeiro 53478 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CORREDEIRAS DO RIO
ITAJAÍ II US federal Santa Catarina 790934 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CÓRREGO FLORESTA US federal Espírito Santo 238785 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CÓRREGO FRIO US estadual Rio de Janeiro 216762 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CORVO BRANCO US federal Santa Catarina 138087 100,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CRUZ PRETA US federal São Paulo 1572320 0,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL CURIÓ US federal Bahia 134044 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL DAS DUNAS US federal Bahia 794107 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL DAS ORQUÍDEAS US estadual Rio de Janeiro 57235 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL DEBORA US estadual Espírito Santo 1201150 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL DOIS PEÕES US estadual Rio de Janeiro 600245 0,0% 0,0%

98
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL DOUGLAS VIEIRA
SOARES US estadual Rio de Janeiro 175914 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL DR. CARLOS DE
OLIVEIRA RAMOS US estadual Rio de Janeiro 253151 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL DUAS PEDRAS US estadual Rio de Janeiro 15107 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL DUNAS DE SANTO
ANTÔNIO US federal Bahia 3627150 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ENGELHARDT US estadual Bahia 3929160 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMONIO NATURAL ESTADUAL RIO DA
PRATA BUGIU US estadual Santa Catarina 150027 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ESTÂNCIA RIO DO
OURO US estadual Rio de Janeiro 70680 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ESTELA US estadual Rio de Janeiro 31766 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FARGO US estadual Rio de Janeiro 118099 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FAZENDA BOA
ESPERANÇA US federal Espírito Santo 5160020 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FAZENDA CARUARA US estadual Rio de Janeiro 38435300 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FAZENDA MIOSÓTIS US estadual Rio de Janeiro 932070 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FAZENDA SAMBAIBA US estadual Rio de Janeiro 1183420 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FAZENDA SANTO Mato Grosso do
ANTÔNIO- LOTE 1 C US estadual Sul 38724200 0,0% 0,0%
Mato Grosso do
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FAZENDA SÃO PEDRO US estadual Sul 36837200 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FAZENDA SERRA DO
RIBEIRÃO US federal Minas Gerais 469880 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FLOR DO NORTE I US federal Bahia 3043700 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FLOR DO NORTE II US federal Bahia 1707290 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FLORINDO VIDAS US estadual Espírito Santo 11395 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FONTE DE LUZ US federal Ceará 70349 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FREISLEBEN US estadual Espírito Santo 83437 0,0% 0,0%

99
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL FRILSON MATHEUS
VIEIRA US estadual Rio de Janeiro 149526 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL GÁLIA US federal Ceará 560207 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL GOTAS AZUIS US estadual Rio de Janeiro 65544 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL GRANDE FLORESTA DAS
ARAUCÁRIAS US federal Santa Catarina 40195900 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL GROTA DO SOSSEGO US estadual Rio de Janeiro 151040 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL GUANANDI US federal Bahia 147117 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL HELICO US federal Bahia 633285 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ITACOLOMY US estadual Rio de Janeiro 7483 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL JACUBA VELHA US federal Bahia 835218 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL JARDIM DE MUKUNDA US estadual Rio de Janeiro 217239 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL JATOBÁ US federal Bahia 156230 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL LEMBRANÇA US estadual Bahia 194676 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL LEMKE US federal Espírito Santo 20031 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL LENÇÓIS US estadual Rio de Janeiro 183857 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL MACACO BARBADO US estadual Espírito Santo 29340 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL MADEIRAS US estadual Alagoas 1245510 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL MÃE DA LUA US federal Ceará 8253690 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL MÃE DA MATA US federal Bahia 133681 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL MATA DA SERRA US federal Espírito Santo 145382 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL MATA DO GUIGO US federal Bahia 364997 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL MATA DO MACUCO US estadual Espírito Santo 754466 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL MEU CANTINHO US estadual Espírito Santo 27285 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL MICO LEÃO DOURADO US federal Rio de Janeiro 221070 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL MONTE ALEGRE 1A US estadual Rio de Janeiro 83467 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMONIO NATURAL MUTINGA US municipal São Paulo 27398 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL NÊGA FULÔ US estadual Rio de Janeiro 45826 0,0% 0,0%

100
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL ODIR ZANELATTO US federal Santa Catarina 2121690 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL OIUTREM US estadual Espírito Santo 594056 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL OLHO DÁGUA US estadual Rio de Janeiro 73379 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL OLHO D'ÁGUA US estadual Espírito Santo 190902 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL OLHO-DE-FOGO-
RENDADO US federal Bahia 1038070 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL PANAPANÁ US estadual Rio de Janeiro 172586 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL PASSAREDO US federal Ceará 36140 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL PASSARIM II US federal Santa Catarina 667077 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL PASSOS US estadual Espírito Santo 81638 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL PAU A PIQUE US estadual Espírito Santo 305050 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL PEDRA BRANCA US estadual Rio de Janeiro 140719 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL PIANISSOLI US estadual Bahia 2101770 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL PONTE DO BAIÃO US estadual Rio de Janeiro 2480050 1,1% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL PORTAL DAS
NASCENTES II US federal Santa Catarina 36327 100,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL POUSO ALTO US estadual Rio de Janeiro 39289 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL PRATI US federal Espírito Santo 29878 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL PRIMAVERA US federal Bahia 4979200 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL PRIMAVERA I US federal Bahia 5001920 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL QUERO-QUERO US estadual Rio de Janeiro 163646 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RABICHO DA SERRA US estadual Rio de Janeiro 606752 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RANCHO CHAPADÃO US estadual Espírito Santo 286192 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RANCHO CHAPADAO II US estadual Espírito Santo 215361 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RASO DO MANDI US federal Santa Catarina 543548 3,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL REFÚGIO DO BUGIO US estadual Rio de Janeiro 236068 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL REFÚGIO DO GUIGÓ I E
II US estadual Bahia 925811 100,0% 0,0%

101
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL REMY LUIZ ALVES US estadual Espírito Santo 34069 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RENASCER US estadual Bahia 2647650 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RESERVA ECOLÓGICA
DE GUAPIAÇU US estadual Rio de Janeiro 3016130 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RESERVA ECOLÓGICA
DE GUAPIAÇU 2 US estadual Rio de Janeiro 344158 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RESERVA GARGARULLO US estadual Rio de Janeiro 457302 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RESERVA MARIA
VICENTINI LOPES US federal Bahia 3918650 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RESERVA MATO
GROSSO II US estadual Rio de Janeiro 532298 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RESERVA SÃO JOSÉ US federal Bahia 774551 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RESERVA TERRAVISTA I US federal Bahia 2276190 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RESERVA TERRAVISTA II US federal Bahia 1442890 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIACHO DAS PEDRAS US federal Bahia 3970100 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIBEIRA E SOLEDADE US estadual Rio de Janeiro 62990 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RILDO DE OLIVEIRA
GOMES II US estadual Rio de Janeiro 238093 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIO CAPITÃO US federal Bahia 3848980 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIO DA BARRA US federal Bahia 2842480 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIO DAS FURNAS II US federal Santa Catarina 435142 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIO DO BRASIL I US federal Bahia 888033 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIO DO BRASIL II US federal Bahia 4005640 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIO DO BRASIL III US federal Bahia 3571140 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIO DO BRASIL IV US federal Bahia 790476 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIO DO BRASIL V US federal Bahia 544667 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIO DOS MONOS US federal Bahia 20503 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIO FUNDO US estadual Espírito Santo 159075 100,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIO JARDIM US federal Bahia 69516 71,7% 71,7%

102
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL RIO VERMELHO US federal São Paulo 226402 100,0% 100,0%
Mato Grosso do
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SANTA CECÍLIA US estadual Sul 1121060 0,0% 0,0%
Mato Grosso do
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SANTA CECÍLIA II US estadual Sul 89841904 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SANTA CLARA US estadual Rio de Janeiro 211285 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SANTA FÉ US estadual Alagoas 175030 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SANTA MARIA I US federal Bahia 965703 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SANTA MARIA II US federal Bahia 1586480 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SANTA MARIA III US federal Bahia 1597810 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SANTO ANTONIO US estadual Rio de Janeiro 5387560 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SÃO CARLOS DO MATO
DENTRO US estadual Rio de Janeiro 240306 0,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SÃO JOSÉ US estadual Rio de Janeiro 87695 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SETE FLECHAS US estadual Rio de Janeiro 70754 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SIMONE US estadual Espírito Santo 206024 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SÍTIO DA LUZ US estadual Rio de Janeiro 411322 100,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SÍTIO DA LUZ US estadual Rio de Janeiro 142616 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SÍTIO MONTE ALEGRE
1B US estadual Rio de Janeiro 43299 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SÍTIO PALMEIRAS US estadual Rio de Janeiro 29321 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SÍTIO PICADA US estadual Rio de Janeiro 249365 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SÍTIO SERRA NEGRA US estadual Rio de Janeiro 191029 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL SOLEDADE US estadual Rio de Janeiro 63255 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL TAQUARAL US estadual Rio de Janeiro 168191 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL TERRA DO SOL E DA LUA US estadual Rio de Janeiro 107691 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL TOCA DA ONÇA US estadual Espírito Santo 2066900 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL TRÊS PONTÕES US federal Espírito Santo 112801 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL TRIÂNGULO US federal Bahia 568287 100,0% 100,0%

103
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL URÚ US federal Paraná 1310880 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL VALE DO PARAÍSO US estadual Rio de Janeiro 849543 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL VERBICARO US estadual Rio de Janeiro 116090 100,0% 100,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL VÓ BELAR US federal Ceará 149920 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL VOVÓ DINDINHA US estadual Espírito Santo 145539 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL WOODSTOCK US estadual Rio de Janeiro 303477 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL XODÓ US estadual Rio de Janeiro 69412 0,0% 0,0%
RESERVA PARTICULAR DO PATRIMÔNIO NATURAL YARA BRUNINI US estadual Espírito Santo 22293 0,0% 0,0%
RPPN MAHAYANA US estadual São Paulo 79631 0,0% 0,0%
RPPN MOSQUITO US estadual São Paulo 22449700 0,0% 0,0%
RPPN PARAÍSO US estadual São Paulo 35433 0,0% 0,0%
RPPN POUSADA CAMPOS DA BOCAINA US estadual São Paulo 36056 100,0% 100,0%
RPPN RESERVA DO DADINHO US estadual São Paulo 116174 0,0% 0,0%
RPPN SAO JUDAS TADEU US estadual São Paulo 623952 0,0% 0,0%
RPPN SERRA DO ITATINS US estadual São Paulo 749223 100,0% 0,0%
RPPN SITIO MANACA US estadual São Paulo 251025 0,0% 0,0%

104
105