
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 | Cataldi, Márcio | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/7262670454819823 | - |
| Autor(es): dc.contributor | Santos, José Guilherme Martins dos | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/5997657584785803 | - |
| Autor(es): dc.contributor | Salcedo, Ivanovich Lache | - |
| Autor(es): dc.contributor | Pereira, Carlos Rodrigues | - |
| Autor(es): dc.contributor | http://lattes.cnpq.br/8261454017514350 | - |
| Autor(es): dc.creator | Souza, Joan da Costa | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T20:11:31Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T20:11:31Z | - |
| Data de envio: dc.date.issued | 2025-07-11 | - |
| Data de envio: dc.date.issued | 2025-07-11 | - |
| Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/39220 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1056284 | - |
| Descrição: dc.description | A Floresta Amazônica é um dos principais reguladores climáticos do planeta, desempenhando papel crucial na reciclagem de umidade e no sequestro de carbono. No entanto, o avanço do desmatamento, majoritariamente de origem antropogênica, ameaça levar o bioma a um ponto de inflexão (tipping point), estimado para ocorrer com a perda de 25% de sua cobertura original ou o aumento de 4 °C na temperatura global. Atingido esse limiar, a floresta poderá perder sua capacidade de regeneração, tornando-se uma fonte líquida de carbono e contribuindo com até 13,5% de acréscimo nas emissões globais anuais de CO2, agravando significativamente a crise climática. Diante desse cenário, atividades mitigatórias contra o desmatamento, tais como o monitoramento ambiental, emergem como relevantes agentes contra as mudanças climáticas. Desta forma, o presente trabalho propõe a aplicação de redes neurais convolucionais (CNNs), com arquitetura U-Net e diferentes encoders, para a segmentação binária de áreas florestais e não florestais da Amazônia em imagens de satélite Sentinel-2A. O estudo foi dividido em dois experimentos: o primeiro utilizou um dataset de referência para comparar os encoders ResNet-18, ResNet-34, MobileNetV2 e EfficientNet-B0; o segundo avaliou o desempenho da ResNet-18 em um dataset customizado com máscaras derivadas do produto PRODES. No primeiro experimento, a ResNet-18 obteve desempenho superior em relação aos demais encoders, com Dice Score de 0,963, IoU de 0,966, Acurácia de 98,2%, Precision de 0,993 e Recall de 0,997. No segundo experimento, embora a performance tenha sido inferior devido à qualidade heterogênea das máscaras, o modelo ainda apresentou Dice Score de 0,779, IoU de 0,780, Acurácia de 86,1%, Precision de 0,809 e Recall de 0,956. Os resultados demonstram o potencial das CNNs para aprimorar o monitoramento ambiental da Amazônia, oferecendo maior resolução espacial e flexibilidade metodológica em comparação aos sistemas tradicionais. A integração dessas aos sistemas existentes pode fortalecer a capacidade de resposta frente ao desmatamento e contribuir para o cumprimento dos Objetivos de Desenvolvimento Sustentável (ODS), especialmente os ODS 13 e 15. | - |
| Descrição: dc.description | The Amazon Rainforest is one of the planet’s main climate regulators, playing a crucial role in moisture recycling and carbon sequestration. However, the advance of deforestation—mostly anthropogenic in origin—threatens to push the biome towards a tipping point, estimated to occur with the loss of 25% of its original forest cover or a 4 °C increase in global temperature. Once this threshold is crossed, the forest may lose its regenerative capacity, becoming a net carbon source and contributing up to a 13.5% increase in global annual CO₂ emissions, significantly worsening the climate crisis. In this context, mitigation activities such as environmental monitoring emerge as key tools in the fight against climate change. This study proposes the application of convolutional neural networks (CNNs), using a U-Net architecture with different encoders, for binary segmentation of forest and non-forest areas in the Amazon using Sentinel-2A satellite imagery. The study was divided into two experiments: the first used a reference dataset to compare the encoders ResNet-18, ResNet-34, MobileNetV2, and EfficientNet-B0; the second evaluated the performance of ResNet18 on a custom dataset with masks derived from the PRODES monitoring product. In the first experiment, ResNet-18 achieved higher performance when compared to the others, with a Dice Score of 0.963, IoU of 0.966, Accuracy of 98.2%, Precision of 0.993, and Recall of 0.997. In the second experiment, although performance was lower due to heterogeneous mask quality, the model still achieved a Dice Score of 0.779, IoU of 0.780, Accuracy of 86.1%, Precision of 0.809, and Recall of 0.956. The results demonstrate the potential of CNNs to enhance environmental monitoring of the Amazon, offering higher spatial resolution and methodological flexibility compared to traditional systems. Integrating these techniques into existing monitoring frameworks can strengthen responses to deforestation and contribute to achieving the Sustainable Development Goals (SDGs), particularly SDGs 13 and 15. | - |
| Descrição: dc.description | 95 f. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Direitos: dc.rights | Open Access | - |
| Direitos: dc.rights | CC-BY-SA | - |
| Palavras-chave: dc.subject | Floresta Amazônica | - |
| Palavras-chave: dc.subject | Mudanças climáticas | - |
| Palavras-chave: dc.subject | Sensoriamento remoto | - |
| Palavras-chave: dc.subject | Inteligência artificial | - |
| Palavras-chave: dc.subject | Redes neurais convolucionais | - |
| Palavras-chave: dc.subject | U-Net | - |
| Palavras-chave: dc.subject | Rede neural | - |
| Palavras-chave: dc.subject | Inteligência artificial | - |
| Palavras-chave: dc.subject | Mudança climática | - |
| Palavras-chave: dc.subject | Floresta amazônica | - |
| Palavras-chave: dc.subject | Amazon Rainforest | - |
| Palavras-chave: dc.subject | Climate change | - |
| Palavras-chave: dc.subject | Remote sensing | - |
| Palavras-chave: dc.subject | Artificial intelligence | - |
| Palavras-chave: dc.subject | Convolutional neural networks | - |
| Título: dc.title | Aplicação de redes neurais para segmentação binária de áreas florestais da Amazônia em imagens de satélite | - |
| Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF | |
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: