Análise Multitemporal do Desmatamento por CNNs na Região Tocantina a partir de Imagens Sentinel-2
Resumo
O desmatamento na Região Tocantina exige novas formas de monitoramento de mudanças ambientais. Esta pesquisa aplica Redes Neurais Convolucionais (CNNs) e imagens Sentinel-2 para mapear desmatamento entre 2018 e 2024, com base na arquitetura U-Net. Resultados preliminares indicam boa precisão na detecção automática, apoiando o monitoramento e o planejamento sustentável.Referências
Arévalo, P., Bullock, E. L., Woodcock, C. E., and Olofsson, P. (2020). A suite of tools for continuous land change monitoring in google earth engine. Frontiers in Climate, 2:576740.
FSC.org (2020). Protecting forests with google earth engine. [link].
IPAM (2023). Tocantins e maranhão responderam por 60% do desmatamento do cerrado em maio. [link]. Acessado em: 25 ago. 2025.
Masolele, R. N., De Sy, V., Marcos, D., Verbesselt, J., Gieseke, F., Mulatu, K. A., Moges, Y., Sebrala, H., Martius, C., and Herold, M. (2022). Using high-resolution imagery and deep learning to classify land-use following deforestation: a case study in ethiopia. GIScience & Remote Sensing, 59(1):1446–1472.
Md Jelas, I., Zulkifley, M. A., Abdullah, M., and Spraggon, M. (2024). Deforestation detection using deep learning-based semantic segmentation techniques: a systematic review. Frontiers in Forests and Global Change, 7:1300060.
Ortega Adarme, M., Queiroz Feitosa, R., Nigri Happ, P., Aparecido de Almeida, C., and Rodrigues Gomes, A. (2020). Evaluation of deep learning techniques for deforestation detection in the brazilian amazon and cerrado biomes from remote sensing imagery. Remote Sensing, 12(6):910.
Zhao, C., Pan, Y., Zhu, X., Li, L., Xia, X., Ren, S., and Gao, Y. (2023). Monitoring of deforestation events in the tropics using multidimensional features of sentinel-1 radar data. Frontiers in Forests and Global Change, 6:57.
FSC.org (2020). Protecting forests with google earth engine. [link].
IPAM (2023). Tocantins e maranhão responderam por 60% do desmatamento do cerrado em maio. [link]. Acessado em: 25 ago. 2025.
Masolele, R. N., De Sy, V., Marcos, D., Verbesselt, J., Gieseke, F., Mulatu, K. A., Moges, Y., Sebrala, H., Martius, C., and Herold, M. (2022). Using high-resolution imagery and deep learning to classify land-use following deforestation: a case study in ethiopia. GIScience & Remote Sensing, 59(1):1446–1472.
Md Jelas, I., Zulkifley, M. A., Abdullah, M., and Spraggon, M. (2024). Deforestation detection using deep learning-based semantic segmentation techniques: a systematic review. Frontiers in Forests and Global Change, 7:1300060.
Ortega Adarme, M., Queiroz Feitosa, R., Nigri Happ, P., Aparecido de Almeida, C., and Rodrigues Gomes, A. (2020). Evaluation of deep learning techniques for deforestation detection in the brazilian amazon and cerrado biomes from remote sensing imagery. Remote Sensing, 12(6):910.
Zhao, C., Pan, Y., Zhu, X., Li, L., Xia, X., Ren, S., and Gao, Y. (2023). Monitoring of deforestation events in the tropics using multidimensional features of sentinel-1 radar data. Frontiers in Forests and Global Change, 6:57.
Publicado
12/11/2025
Como Citar
CASTRO, Vilson Conceição; SILVA, Martony Demes da.
Análise Multitemporal do Desmatamento por CNNs na Região Tocantina a partir de Imagens Sentinel-2. In: ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DA REGIÃO SUL (ERAMIA-RS), 1. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 196-199.
DOI: https://doi.org/10.5753/eramiars.2025.16276.
