O bioma Caatinga predomina em grande parte da região nordeste do País, compreendendo cerca de 48% do estado de Alagoas, estendendo-se pelo município de Delmiro Gouveia. A Caatinga vem sofrendo um processo de supressão em decorrência da expansão agrícola, dos incêndios ocorridos na área, do corte de árvores para fins comerciais e de fenômenos naturais. Assim, o presente trabalho teve como objetivo analisar de forma multitemporal as mudanças na vegetação Caatinga no decorrer de 33 anos. Para realização desta pesquisa, utilizou-se o software Qgis e dados da coleção Mapbiomas 4, a fim de compreender a dinâmica da Caatinga. A partir dos resultados, constatou-se que houve mudanças no decorrer do tempo analisado, apontando um desmatamento de 71,52 Km², o que equivale a 27% da área. No entanto, observamos um processo de regeneração após um longo período de desmatamento e desertificação do bioma. Para que a área acelere o processo de recuperação, são necessários mais estudos de sensoriamento remoto junto com novas análises do satélite landsat, bem como mais fiscalização dos órgãos responsáveis.

No abstract

No abstract

Weed infestation is an essential factor in sugarcane productivity loss. The use of remote sensing data in conjunction with Artificial Intelligence (AI) techniques, can lead the cultivation of sugarcane to a new level in terms of weed control. For this purpose, an algorithm based on Convolutional Neural Networks (CNN) was developed to detect, quantify, and map weeds in sugarcane areas located in the state of Alagoas, Brazil. Images of the PlanetScope satellite were subdivided, separated, trained in different scenarios, classified and georeferenced, producing a map with weed information included. Scenario one of the CNN training and test presented overall accuracy (0,983), and it was used to produce the final mapping of forest areas, sugarcane, and weed infestation. The quantitative analysis of the area (ha) infested by weed indicated a high probability of a negative impact on sugarcane productivity. It is recommended that the adequacy of CNN’s algorithm for Remotely Piloted Aircraft (RPA) images be carried out, aiming at the differentiation between weed species, as well as its application in the detection in areas with different culture crops

O conteúdo deste livro está licenciado sob uma Licença de Atribuição Creative Commons Atribuição-Não-Comercial NãoDerivativos 4.0 Internacional (CC BY-NC-ND 4.0). Direitos para esta edição cedidos à Editora Artemis pelos autores. Permitido o download da obra e o compartilhamento, desde que sejam atribuídos créditos aos autores, e sem a possibilidade de alterá-la de nenhuma forma ou utilizá-la para fins comerciais.A responsabilidade pelo conteúdo dos artigos e seus dados, em sua forma, correção e confiabilidade é exclusiva dos autores. A Editora Artemis, em seu compromisso de manter e aperfeiçoar a qualidade e confiabilidade dos trabalhos que publica, conduz a avaliação cega pelos pares de todos manuscritos publicados, com base em critérios de neutralidade e imparcialidade acadêmica.