BURNED AREA DETECTION USING CONVOLUTIONAL NEURAL NETWORKS AND SENTINEL-2 IN MANACACIAS NATURAL PARK.

A estimativa de escala global é de área queimada (BA) realizada com sensores de baixa ou média resolução espacial como MODIS, VIIRS, AVHRR e MERIS. Mas esses produtos globais derivados de dados de resolução espacial grosseira têm grande incerteza, decorrentes do baixo nível de detalhes em produtos de satélite, confusão com características terrestres de refletância semelhante, mudança na refletância da vegetação mesmo quando não está queimando, a geometria de observação de satélites, as condições da atmosfera e as características do substrato da vegetação queimada. Apesar de todos esses problemas, como os intérpretes humanos podem diferenciar manualmente as áreas queimadas nas imagens de satélite, existe a possibilidade de desenvolver modelos automatizados que aprendam com as causas da incerteza. Para conseguir isso, usamos um modelo de rede neural convolucional (CNN) para a detecção de áreas queimadas a partir de dados de satélite de refletância de superfície multiespectral Sentinel-2 na bacia do rio Orinoco. Nosso modelo generaliza bem os dados de treinamento e gera boa precisão. Além disso, nosso modelo funciona bem em áreas com cobertura de nuvens que muitas vezes são erroneamente identificadas como áreas queimadas. Os resultados deste trabalho podem ser implementados em redes regionais como GOFC-GOLD RedLaTIF.