@TechReport{BragaAragSilvRibe:2022:EsCaFl,
               author = "Braga, Daniel Alves and Arag{\~a}o, Luiz Eduardo Oliveira e Cruz 
                         de and Silva, Ricardo Dal’Agnol da and Ribeiro, Celso Bandeira de 
                         Melo",
                title = "Mapeamento de degrada{\c{c}}{\~a}o florestal na Amaz{\^o}nia 
                         Brasileira com imagens de alta resolu{\c{c}}{\~a}o e 
                         intelig{\^e}ncia artificial: estudo de caso na Floresta Nacional 
                         do Jamari",
          institution = "Instituto Nacional de Pesquisas Espaciais",
                 year = "2022",
                 type = "RPQ",
              address = "S{\~a}o Jos{\'e} dos Campos",
                 note = "{Bolsa PIBIC/PIBITI/INPE/CNPq.}",
             keywords = "Amaz{\^o}nia, degrada{\c{c}}{\~a}o florestal, corte seletivo, 
                         imagens de alta resolu{\c{c}}{\~a}o, deep learning.",
             abstract = "A Amaz{\^o}nia possui o maior remanescente territorial de 
                         florestas tropicais do mundo e {\'e} diariamente amea{\c{c}}ada 
                         por processos antr{\'o}picos, tais como o desmatamento (corte 
                         raso) e a degrada{\c{c}}{\~a}o florestal (corte de {\'a}rvores 
                         e fogo). Nessa perspectiva, o objetivo deste estudo foi explorar o 
                         mapeamento da degrada{\c{c}}{\~a}o florestal relacionada ao 
                         corte seletivo na Floresta Nacional (Flona) do Jamari em 
                         Rond{\^o}nia, visto que existem concess{\~o}es florestais e 
                         ind{\'{\i}}cios de corte ilegal no territ{\'o}rio. Como o corte 
                         seletivo causa altera{\c{c}}{\~o}es mais sutis na floresta que 
                         um corte raso, o mapeamento deste fen{\^o}meno requer uso de 
                         imagens de sat{\'e}lite de maior resolu{\c{c}}{\~a}o espacial e 
                         t{\'e}cnicas inovadoras para mapeamento em larga escala. Nesse 
                         sentido, a metodologia empregada consistiu no uso de imagens de 
                         alta resolu{\c{c}}{\~a}o espacial (4.77 metros) obtidas da 
                         constela{\c{c}}{\~a}o de nanosat{\'e}lites Planet (bandas R, G, 
                         B, NIR), para fotointerpreta{\c{c}}{\~a}o de imagens e 
                         delinea{\c{c}}{\~a}o de padr{\~o}es de degrada{\c{c}}{\~a}o 
                         florestal ocasionados pela extra{\c{c}}{\~a}o e corte de 
                         {\'a}rvores durante o per{\'{\i}}odo de 2016 a 2021. Esse banco 
                         de dados vetoriais contribuiu para o treinamento de um modelo de 
                         redes neurais convolucionais U-Net, a fim de segmentar as 
                         fei{\c{c}}{\~o}es de degrada{\c{c}}{\~a}o. Para 
                         valida{\c{c}}{\~a}o dos resultados, calculou-se uma matriz de 
                         confus{\~a}o e exatid{\~a}o global utilizando dados de campo 
                         disponibilizados pelo Servi{\c{c}}o Florestal Brasileiro como 
                         refer{\^e}ncia oficial para {\'a}reas exploradas e n{\~a}o 
                         exploradas dentro da Flona. O modelo obteve precis{\~a}o de 67% e 
                         apresentou detec{\c{c}}{\~o}es visualmente condizentes com a 
                         refer{\^e}ncia oficial para as {\'a}reas exploradas, assim como 
                         um alto n{\'u}mero de fei{\c{c}}{\~o}es de corte seletivo fora 
                         das Unidades de Manejo. Parte dos erros do modelo pode ser 
                         explicada: (1) modelo detectou {\'a}reas que n{\~a}o constavam 
                         nos dados de refer{\^e}ncia, mas que estavam aparentes nas 
                         imagens Planet (erro na refer{\^e}ncia oficial); (2) em algumas 
                         {\'a}reas o ano da detec{\c{c}}{\~a}o foi anterior ao da 
                         explora{\c{c}}{\~a}o devido {\`a} constru{\c{c}}{\~a}o 
                         antecipada da infraestrutura usada para o manejo, como estradas. 
                         Foram detectados 513 km2 de floresta com corte seletivo na Flona 
                         Jamari entre 2016 e 2021, dos quais 298 km2 estavam dentro das 
                         zonas de manejo. As {\'a}reas detectadas fora das zonas de manejo 
                         podem consistir em atividades ilegais, que devem ser investigadas. 
                         Mais an{\'a}lises precisam ser realizadas para teste e 
                         valida{\c{c}}{\~a}o do modelo, por{\'e}m ele se mostra 
                         promissor para detec{\c{c}}{\~a}o da degrada{\c{c}}{\~a}o 
                         florestal na Amaz{\^o}nia.",
          affiliation = "{Universidade Federal de Juiz de Fora - UFJF} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {UCLA \& JPL-NASA} 
                         and {Universidade Federal de Juiz de Fora - UFJF}",
             language = "pt",
                pages = "54",
                  ibi = "8JMKD3MGP3W34T/47JJUFL",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34T/47JJUFL",
           targetfile = "Relatorio_Final_PIBIC_2021_2022_Daniel_Alves_Braga.pdf",
        urlaccessdate = "21 maio 2024"
}