Sentinela-IA: Detecção de Garimpo Ilegal na Amazônia com Deep Learning e Imagens Sentinel-2

• Ryam S. da Silva IFMT https://orcid.org/0009-0007-7356-3356
• Vinicius Oliveira Souza IFMT https://orcid.org/0009-0009-5375-4117
• Luiz Antonio Gonzada de Oliveira IFMT
• Sandrini Moraes Correa IFMT
• Victor Hugo Cordeiro Rocha IFMT
• Wilcson Denner Nunes Sampaio de Santana IFMT https://orcid.org/0009-0008-0846-173X

DOI: https://doi.org/10.5753/eri-mt.2025.17110

Resumo

Este artigo apresenta o projeto Sentinela-IA, uma abordagem de baixo custo para a detecção e monitoramento de garimpo ilegal na Amazônia mato-grossense. O problema, centrado na região de Pontes e Lacerda, acarreta severos impactos socioambientais, como o desmatamento e a contaminação por mercúrio. Os sistemas de monitoramento atuais carecem de resolução e frequência para detectar a dinâmica pulverizada desta atividade. Nossa solução utiliza imagens multiespectrais de acesso livre do satélite Sentinel-2 e uma rede neural convolucional com arquitetura U-Net para a segmentação semântica de áreas de mineração. O projeto abrange desde o pré-processamento dos dados geoespaciais até o treinamento e validação do modelo de deep learning. Resultados preliminares indicam alto potencial da abordagem para fornecer inteligência acionável a órgãos de fiscalização, contribuindo para o combate a crimes ambientais e o planejamento de recuperação de áreas degradadas.

Palavras-chave: Garimpo Ilegal, Inteligência Artificial, Sensoriamento Remoto, Monitoramento Ambiental, Recuperação de Áreas Degradadas

Referências

ALMEIDA, D. R. A. et al. A deep learning approach to detect tailings dams and mines in satellite imagery of the Brazilian mineral province of Minas Gerais. Sensors, v. 20, n. 23, p. 6936, 2020.

BARRETO, M. L. Impactos da garimpagem de ouro na Amazônia. Belém: Imazon, 2001. (Série Amazônia, n. 2).

CLEARY, D. A garimpagem do ouro na Amazônia: uma abordagem antropológica. Rio de Janeiro: Editora UFRJ, 1992.

DU, Y. A novel deep learning model for automatic change detection in open-pit mines. Remote Sensing, v. 15, n. 24, p. 5664, 2022.

ESA. Sentinel-2. 2025. Disponível em: [link]. Acesso em: 30 jun. 2025.

FEARNSIDE, P. M. A Garimpagem na Amazônia: Doença, Desordem e Descaso; Uma visão do garimpo Crepori (PA). 1991. Dissertação (Mestrado em Planejamento do Desenvolvimento) – Universidade Federal do Pará, Belém, 1991.

INPE. TerraBrasilis. 2025. Disponível em: [link]. Acesso em: 30 jun. 2025.

MAJUMDER, S. Land Cover Semantic Segmentation PyTorch. 2023. Disponível em: [link]. Acesso em: 30 jun. 2025.

REDDY, G. P. O.; KUMAR, N.; SINGH, S. K. Remote Sensing and GIS in Mapping and Monitoring of Land Degradation. In: Geotechnologies and the Environment. Springer, 2018. p. 401-424.

RONNEBERGER, O.; FISCHER, P.; BROX, T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In: INTERNATIONAL CONFERENCE ON MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION, 18., 2015, Munich. Proceedings... Cham: Springer, 2015. p. 234-241.

SONTER, L. J. et al. Mining drives extensive deforestation in the Brazilian Amazon. Nature Communications, v. 8, n. 1, p. 1013, 2017.

SOUZA, C. M. et al. Análise comparativa de técnicas de sensoriamento remoto para identificação de áreas de garimpo. In: SIMPÓSIO BRASILEIRO DE SENSORIAMENTO REMOTO, 22., 2025, Florianópolis. Anais... São José dos Campos: INPE, 2025.

WANG, Y. et al. SA-SC-U-Net: A Novel U-Net Model for Semantic Segmentation of Satellite Images. Drones, v. 8, n. 2, p. 57, 2024.

WWF-BRASIL. Impactos do Garimpo. 2025. Disponível em: [link]. Acesso em: 30 jun. 2025.