To cite this paper use one of the standards below:
Atualmente, o mapeamento de áreas queimadas tem sido uma importante tarefa para auxiliar governos e organizações não governamentais. Vários métodos automáticos têm sido estudados, e os métodos baseados em aprendizado profundo têm se destacado por sua robustez. No entanto, esses métodos têm limitações de generalização quando amostras de treinamento e teste são coletadas de diferentes regiões. Portanto, o objetivo deste trabalho é mapear áreas queimadas na Amazônia brasileira, bem como avaliar a capacidade de generalização em imagens de satélite PlanetScope (alta resolução espacial). Foi utilizado o método de aprendizado profundo baseado em Transformer, chamado SegFormer. No treinamento e validação foram utilizadas apenas imagens do Pantanal (outro importante bioma brasileiro) e, por fim, utilizamos imagens da Amazônia brasileira no teste. Para área queimada, nossa metodologia alcançou 90,71% de precisão pixel a pixel. Portanto, a metodologia utilizando SegFormer obteve bons resultados mesmo quando treinada e avaliada em diferentes regiões, indicando que métodos baseados em transformers são adequados para generalizar o mapeamento de áreas queimadas.
With nearly 200,000 papers published, Galoá empowers scholars to share and discover cutting-edge research through our streamlined and accessible academic publishing platform.
Learn more about our products:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Attention: this is not a DOI for the paper and as such cannot be used in Lattes to identify a particular work.
Check the link "How to cite" in the paper's page, to see how to properly cite the paper