Baeza et al. Two decades of land cover mapping in the Río de la Plata grassland region: The MapBiomas Pampa initiative

O trabalho descreve e analisa as mudanças na cobertura da terra em toda a região de Campos do Rio da Prata (RPG) nas duas primeiras décadas do século XXI, especialmente aquelas relacionadas à perda dos campos. Em 20 anos, a região do RPG perdeu pelo menos 2,4 milhões de hectares de campos naturais (9% da área remanescente de campos existentes em 2001). A maior parte dessas perdas está concentrada no Brasil e no Uruguai e está associada a novas áreas agrícolas ou de silvicultura que aumentaram 5% e 100%, respectivamente.

Alencar et al. Long-Term Landsat-Based Monthly Burned Area Dataset for the Brazilian Biomes Using Deep Learning

O artigo apresenta uma nova estratégia com uso de aprendizado de máquina para mapear áreas queimadas mensalmente de 1985 a 2020, usando mosaicos de imagens Landsat e valores mínimos de NBR. Este novo conjunto de dados contribui para o entendimento da dinâmica espacial e temporal de longo prazo dos regimes de incêndio que são fundamentais para projetar políticas públicas apropriadas para reduzir e controlar os incêndios no Brasil.

Santos et al – Assessing the Wall-to-Wall Spatial and Qualitative Dynamics of the Brazilian Pasturelands 2010–2018, Based on the Analysis of the Landsat Data Archive

Neste estudo foi mapeada e avaliada a dinâmica espaço-temporal da qualidade das pastagens no Brasil, entre 2010 e 2018, considerando três classes de degradação: Ausente (D0), Intermediário (D1) e Grave (D2). Não houve variação na área total ocupada por pastagens no período avaliado, apesar da dinâmica espacial acentuada.

Cesar et al. – A Large-Scale Deep-Learning Approach for Multi-Temporal Aqua and Salt-Culture Mapping

Aquicultura e salicultura são atividades econômicas relevantes na Zona Costeira brasileira (BCZ). No entanto, a discriminação automática de tais atividades de outras coberturas / usos relacionados à água não é uma tarefa fácil. Nesse sentido, as redes neurais convolucionais (CNN) têm a vantagem de prever o rótulo de classe de um determinado pixel, fornecendo como entrada uma região local (patches ou chips nomeados) em torno desse pixel. Tanto a natureza convolucional quanto a capacidade de segmentação semântica fornecem o classificador U-Net com a capacidade de acessar o “domínio de contexto” em vez de apenas pixel isolado valores. Apoiado no domínio do contexto, apresentamos os resultados das análises.