
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.
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 do uso do solo no Brasil.
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.