Mapbiomas Brasil

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.

Cayo et al. Mapping Three Decades of Changes in the Tropical Andean Glaciers Using Landsat Data Processed in the Earth Engine.

Este artigo apresenta o mapeamento e a dinâmica de recuo das geleiras tropicais andinas (TAGs) a partir da utilização de imagens da série temporal Landsat de 1985 a 2020, com processamento e classificação digital das imagens de satélite na plataforma Google Earth Engine.

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.

Coelho-Junior et al - Unmasking the impunity of illegal deforestation in the Brazilian Amazon: a call for enforcement and accountability

Este artigo traz uma perspectiva sobre a dinâmica dos alertas de desmatamento, validados e refinados pelo MapBiomas Alerta (http://alerta.mapbiomas.org/), na Amazônia brasileira e as ações dos órgãos públicos federais e estaduais de fiscalização, destacando a urgência de reduzir e combater o desmatamento.

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.

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.

Parente et al. - Monitoring the brazilian pasturelands: A new mapping approach based on the landsat 8 spectral and temporal domains.

Neste estudo, utilizamos todo o conjunto de imagens Landsat 8 disponíveis para o Brasil em 2015, a partir das quais foram derivadas dezenas de métricas sazonais, para produzir, por meio de critérios objetivos e estratégias de classificação automatizada, um novo mapa de pastagens para o país.

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).

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.

Souza, Jr. et al - Long-Term Annual Surface Water Change in the Brazilian Amazon Biome: Potential Links with Deforestation, Infrastructure Development and Climate Change.

Neste estudo, apresentamos uma análise espaço-temporal de longo prazo da mudança anual da água de superfície e abordamos as conexões potenciais com o desmatamento, a expansão da infraestrutura e as mudanças climáticas nesta região.

Rosa, Marcos R - Comparação e análise de diferentes metodologias de mapeamento da cobertura florestal da Mata Atlântica.

As diferenças encontradas nos produtos apontam para usos distintos e complementares, com a base do Atlas mais indicada para identificação de desmatamentos e análise da conservação da biodiversidade e do MapBiomas para análises de fragmentação, restauração e proteção da água. A opção pelo produto que será utilizado varia de acordo com o objetivo do trabalho proposto.

Costa et al - Novas tecnologias e sensoriamento remoto: aplicação de uma oficina didática para a disseminação das potencialidades dos produtos e ferramentas do MapBiomas.

Este trabalho objetivou relatar as experiências da aplicação de uma oficina didática que tratou sobre as potencialidades dos produtos e das ferramentas do Projeto Mapbiomas em uma turma do Programa de Pós-graduação em Modelagem em Ciências da Terra e do Ambiente, da Universidade Estadual de Feira de Santana.

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.

Leandro Parente & Laerte Ferreira - Assessing the Spatial and Occupation Dynamics of the Brazilian Pasturelands Based on the Automated Classification of MODIS Images from 2000 to 2016.

Este estudo mapeou, por meio de critérios objetivos e métodos de classificação automática (Random Forest) aplicados a imagens MODIS (Moderate Resolution Imaging Spectrorradiometer), a totalidade das pastagens brasileiras entre 2000 e 2016.

Mas et al - Analysis of High Temporal Resolution Land Use/Land Cover Trajectories.

Neste estudo, métodos, originalmente desenvolvidos para avaliar as trajetórias do curso de vida, são explorados a fim de avaliar as mudanças do solo por meio da análise de sequências de uso / cobertura do solo. Mapas anuais de cobertura da terra que descrevem o uso da terra / mudanças na cobertura da terra para o período 1985-2017 para uma grande região no Nordeste do Brasil foram analisados.

Diniz et al. - Brazilian Mangrove Status: Three Decades of SatelliteData Analysis.

Este manuscrito apresenta um pipeline gerenciado pelo Google Earth Engine (GEE) para calcular a situação anual dos manguezais brasileiros de 1985 a 2018, junto com um novo índice espectral, o Índice de Reconhecimento de Manguezais Modular (MMRI), que foi projetado especificamente para discriminar melhor florestas de mangue da vegetação circundante.

Artigos Mapbiomas