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.
Arruda et al – An alternative approach for mapping burn scars using Landsat imagery, Google Earth Engine, and Deep Learning in the Brazilian Savanna
Neste estudo, desenvolvemos uma abordagem alternativa para o mapeamento de áreas queimadas no bioma Cerrado no Brasil, utilizando imagens Landsat e algoritmo de Deep Learning, implementado no Google Earth Engine e na plataforma Google Cloud Storage.
Rosa et al. – Hidden destruction of older forests threatens Brazil’s Atlantic Forest and challenges restoration programs.
Compreender a dinâmica de perda e ganho de floresta nativa é fundamental para a conservação da biodiversidade e dos serviços ecossistêmicos, especialmente em regiões que passam por intensas transformações florestais. Quantificamos a dinâmica da cobertura florestal nativa anualmente de 1990 a 2017 na Mata Atlântica do Brasil.
Souza et al. – Reconstructing Three Decades of Land Use and Land Cover Changes in Brazilian Biomes with Landsat Archive and Earth Engine.
Neste estudo, descrevemos uma nova abordagem e os resultados alcançados por uma rede multidisciplinar chamada MapBiomas para reconstruir o uso anual da terra e as informações de cobertura da terra entre 1985 e 2017 para o Brasil, com base em floresta aleatória aplicada ao arquivo Landsat usando o Google Earth Engine.
Fendrich et al. – Disclosing contrasting scenarios for future land cover in Brazil: Results from a high-resolution spatiotemporal model.
Neste trabalho, construímos um modelo para avaliar as possíveis consequências das ações de política na dinâmica da cobertura do solo em um futuro próximo em uma escala de alta resolução.
Alencar et al – Mapping Three Decades of Changes in the Brazilian Savanna Native Vegetation Using Landsat Data Processed in the Google Earth Engine Platform.
O Cerrado brasileiro representa a maior savana da América do Sul e o bioma mais ameaçado do Brasil devido à expansão agrícola. Para avaliar as áreas de vegetação nativa de Cerrado (NV) mais suscetíveis a mudanças naturais e antropogênicas ao longo do tempo, classificamos 33 anos (1985–2017) de imagens Landsat disponíveis na plataforma Google Earth Engine (GEE).
Nunes et al – Unmasking secondary vegetation dynamics in the Brazilian Amazon
Este artigo utiliza séries temporais de dados anuais de cobertura da terra MapBiomas para gerar o primeiro estimativas da extensão da VS, idade e absorção líquida de carbono na Amazônia brasileira entre 1985 e 2017.
Saraiva et al- Automatic Mapping of Center Pivot Irrigation Systems from Satellite Images Using Deep Learning
Neste artigo, propomos um método para detectar e mapear automaticamente sistemas de irrigação por pivô central usando U-Net, uma arquitetura de rede neural convolucional de segmentação de imagens, aplicada a uma constelação de imagens PlanetScope do bioma Cerrado do Brasil. Nosso objetivo é fornecer uma alternativa rápida e precisa para mapear sistemas de irrigação por pivô central com imagens de alta resolução espacial e temporal.
Parente et al – Next Generation Mapping: Combining Deep Learning, Cloud Computing, and Big Remote Sensing Data.
Este estudo avaliou, com base em milhares de imagens do PlanetScope obtidas ao longo de um período de 12 meses, o desempenho de três abordagens de aprendizado de máquina (floresta aleatória, memória longa de curto prazo-LSTM e U-Net). Aplicamos essas abordagens a pastagens mapeadas em uma região do Brasil Central.
Parente et al – Assessing the pasturelands and livestock dynamics in Brazil, from 1985 to 2017: A novel approach based on high spatial resolution imagery and Google Earth Engine cloud computing.
Este trabalho mapeou, anualmente e de forma inédita, a totalidade das pastagens brasileiras, de 1985 a 2017. Com uma precisão geral de cerca de 90%, os 33 mapas produzidos indicaram a área de pastagem variando de ~ 118 Mha ± 3,41% (1985) a ~ 178 Mha ± 2,53% (2017), com esta expansão ocorrendo principalmente na região norte do país e em menor medida no meio-oeste.