Classificação de cobertura da terra usando dados de satélite e deep learning
Classificação abrangente de cobertura da terra baseada em sensoriamento remoto e deep learning pela EOSDA para monitoramento ambiental, zoneamento agrícola e planejamento estratégico.
- Até 90% de precisão em sete classes principais de cobertura da superfície usando imagens Sentinel-2
- Arquitetura de ML personalizada treinada com imagens espectrais de 10 bandas para alta precisão
- Resultados acionáveis, incluindo mapas raster de classificação de uso da terra, estatísticas de área e relatórios opcionais
Benefícios da solução de classificação de cobertura da terra da EOSDA
- Monitoramento ambiental e conservação (acompanhamento de mudanças nos ecossistemas, desmatamento, urbanização e apoio à avaliação da biodiversidade)
- Planejamento urbano e regional (planejamento de infraestrutura e alocação de recursos)
- Apoio à gestão de recursos naturais (uso de recursos hídricos, exploração mineral etc.)
- Monitoramento agrícola e segurança alimentar (identificação de áreas agrícolas e mudanças, análise de áreas em pousio)
- Formulação de políticas e conformidade (apoio a relatórios nacionais/internacionais sobre uso da terra e da água e metas ambientais)
Abordagem e metodologia
Modelo: a arquitetura de ML consiste em um modelo de regressão totalmente conectado personalizado (FCRM) para cada classe.
Dados de satélite: o modelo de classificação de cobertura da terra utiliza imagens de satélite Sentinel-2 L2A, aplicando 10 bandas espectrais.
Classes suportadas: 7 classes principais de cobertura da superfície, podendo ser treinado para classes adicionais.
Precisão: até 90%.
Limitações: regiões com alta cobertura de nuvens e objetos menores que 30–50 metros de comprimento/largura.
Resultados esperados do projeto e formatos
- Máscara raster de classificação com as classes alvo recortadas pela AOI alvo (GeoTIFF): Solo exposto, Artificial, Água, Floresta, Pastagem, Área úmida, Área agrícola
- Estatísticas agregadas das áreas por classe de uso do solo por limites administrativos de regiões, distritos etc. (xlsx, csv), se necessário
- Relatório analítico ou nota de interpretação dos resultados, se necessário.
Dados necessários para o projeto de classificação de uso da terra
Entradas do cliente
- Área de interesse: tabela (xlsx/csv) ou formato vetorial (KML, ESRI shapefile, GPKG, GeoJSON)
- Dados de campo para treinamento/validação do modelo (opcional, se disponíveis)
Dados preparados pela EOSDA
- Imagens de satélite
- Outras camadas de dados adicionais (cidades, estradas, corpos d’água etc.)
- Conjuntos de dados de validação
Etapas padrão do projeto
Duração típica do projeto: 2–4 semanas.
Investigação das características da vegetação na área de interesse.
Rotulagem de classes na AOI para treinamento e validação.
Busca e download dos dados de satélite necessários.
Execução do modelo e suporte/controle.
Verificação dos resultados e preparação dos entregáveis finais.