Artigos Mapbiomas
Abaixo você pode encontrar e saber mais sobre os artigos científicos elaborados pela equipe do MapBiomas, eles são relacionados a assuntos que envolvem o mapeamento da cobertura e uso da terra no Brasil.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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).

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.

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.

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.

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.

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.

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.

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.