Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Faculty of Basic Sciences (FBS) | - |
Autor(es): dc.creator | Rodrigues, Julia | - |
Autor(es): dc.creator | Dias, Mauricio Araújo | - |
Autor(es): dc.creator | Negri, Rogério | - |
Autor(es): dc.creator | Hussain, Sardar Muhammad | - |
Autor(es): dc.creator | Casaca, Wallace | - |
Data de aceite: dc.date.accessioned | 2025-08-21T16:28:51Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T16:28:51Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-09-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.3390/land13091427 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/301307 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/301307 | - |
Descrição: dc.description | The integrated use of remote sensing and machine learning stands out as a powerful and well-established approach for dealing with various environmental monitoring tasks, including deforestation detection. In this paper, we present a tunable, data-driven methodology for assessing deforestation in the Amazon biome, with a particular focus on protected conservation reserves. In contrast to most existing works from the specialized literature that typically target vast forest regions or privately used lands, our investigation concentrates on evaluating deforestation in particular, legally protected areas, including indigenous lands. By integrating the open data and resources available through the Google Earth Engine, our framework is designed to be adaptable, employing either anomaly detection methods or artificial neural networks for classifying deforestation patterns. A comprehensive analysis of the classifiers’ accuracy, generalization capabilities, and practical usage is provided, with a numerical assessment based on a case study in the Amazon rainforest regions of São Félix do Xingu and the Kayapó indigenous reserve. | - |
Descrição: dc.description | São Paulo State University (UNESP) Institute of Biosciences Humanities and Exact Sciences (IBILCE) | - |
Descrição: dc.description | São Paulo State University (UNESP) Faculty of Science and Technology (FCT) | - |
Descrição: dc.description | São Paulo State University (UNESP) Science and Technology Institute (ICT) | - |
Descrição: dc.description | Balochistan University of Information Technology Engineering and Management Sciences (BUITEMS) Faculty of Basic Sciences (FBS) | - |
Descrição: dc.description | São Paulo State University (UNESP) Institute of Biosciences Humanities and Exact Sciences (IBILCE) | - |
Descrição: dc.description | São Paulo State University (UNESP) Faculty of Science and Technology (FCT) | - |
Descrição: dc.description | São Paulo State University (UNESP) Science and Technology Institute (ICT) | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Land | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | anomaly detection | - |
Palavras-chave: dc.subject | Google Earth Engine | - |
Palavras-chave: dc.subject | machine learning | - |
Palavras-chave: dc.subject | neural networks | - |
Título: dc.title | A Robust Dual-Mode Machine Learning Framework for Classifying Deforestation Patterns in Amazon Native Lands | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: