O monitoramento do desmatamento na Amazônia é um desafio complexo que exige o uso de tecnologias avançadas, como a análise de imagens de satélite e inteligência artificial (IA). Redes Neurais Convolucionais (CNNs) foram utilizadas para detectar áreas desmatadas em imagens do satélite Sentinel-2, com a arquitetura U-Net ajustada para segmentação de áreas florestais. Para superar a escassez de dados rotulados, o algoritmo Optuna foi empregado para otimizar o modelo, aprimorando seus parâmetros e, consequentemente, melhorando a acurácia dos resultados.
To enhance the processing of multispectral images under adverse conditions, such as the presence of clouds, this study compared the neural networks U-Net, DeepLabV3+, and SegFormer using images from the Sentinel-2 satellite, evaluating their performance through metrics such as Intersection over Union (IoU) and Dice coefficient. The results indicate that SegFormer achieved the highest accuracy in cloud detection but with a longer inference time, while U-Net demonstrated a balance between accuracy and efficiency, and DeepLabV3+ stood out for its shorter processing time but lower performance. The study highlights the relevance of neural networks in remote sensing and indicates the need for model optimization.
1 January 2024 in Anais do Congresso Brasileiro Interdisciplinar em Ciência e Tecnologia
O monitoramento do fluxo de carbono na atmosfera é essencial para entender o comportamento dos ecossistemas e seu papel no ciclo de carbono, envolvendo medições da Produtividade Primária Bruta (GPP). Nesse sentido, este estudo aplicou o algoritmo Pattern Search para otimizar o MOD17 usando dados da AmeriFlux, melhorando a precisão das estimativas de GPP na Amazônia. A calibração reduziu erros, aprimorando a compreensão do ciclo de carbono.