[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-128175-pt":3,"doc-seo-128175-112":30,"detail-sidebar-cat-0-pt-112":91},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},128175,549768702563,"Sage","https://ap-avatar.wpscdn.com/avatar/8000c4aa63b76e948b?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786536092046926083",32,"Pesquisa e Relatórios","USO DE DEEP LEARNING E MACHINE LEARNING PARA O MAPEAMENTO DE SISTEMAS AGROFLORESTAIS - Revisão de literatura","Sistemas Agroflorestais (SAFs) são arranjos agrícolas voltados à sustentabilidade ambiental, com especial relevância em regiões tropicais como o Brasil. O mapeamento desses sistemas por sensoriamento remoto é desafiador devido à complexidade estrutural e à heterogeneidade de espécies, além da limitação das técnicas tradicionais para elevar a precisão. O estudo revisa a literatura sobre deep learning e machine learning aplicados ao mapeamento de ambientes agrícolas complexos com foco em SAFs. Os resultados destacam desafios como a similaridade das assinaturas espectrais e a necessidade de maior resolução espacial e temporal dos sensores.","USODE DEEP LEARNING E MACHINE LEARNING PARA OMAPEAMENTODE  \nSISTEMAS AGROFLORESTAIS  \nVictória Beatriz Soares 1, Taya Cristo Parreiras 2, Gustavo Bayma 3, Danielle Elis Garcia Furuya 4 Édson Luis Bolfe 5, Victória H. Matusevicius e de Castro 6  \n1Pontifícia Universidade Católica de Campinas, Graduação em Geografia, Campinas, SP, Brasil, victoria.leandro@colaborador.embrapa.br; 2Universidade Estadual de Campinas, Pós-Graduação em Geografia, Campinas, SP, Brasil, taya.parreiras@colaborador.embrapa.br; 3Embrapa Meio Ambiente, Jaguariúna, SP, Brasil, gustavo.bayma@embrapa.br; 4Embrapa Agricultura Digital, Pós-Doutorado, Campinas, SP, Brasil, danielle.furuya@colaborador.embrapa.br; 5Embrapa Agricultura Digital, Campinas, SP, Brasil, edson.bolfe@embrapa.br 5Universidade Estadual de Campinas, Graduação em Engenharia Agrícola, Campinas, SP, Brasil,  \nvictoria.castro@colaborador.embrapa.br  \nRESUMO  \nSistemas Agroflorestais (SAFs) são técnicas agrícolas que podem associar culturas florestais, frutíferas e agrícolas, além de animais, visando a sustentabilidade ambiental, especialmente em regiões tropicais como o Brasil. Entretanto,é um desafio mapear esses sistemas com técnicas de sensoriamento remoto, devido principalmente à sua complexidade estrutural e heterogeneidade de espécies. O objetivo deste estudo foi revisar a literatura disponível sobre ouso de deep learning e machine learning no mapeamento de ambientes agrícolas complexos, com foco para os SAFs. Embora existam avanços no mapeamento de culturas em SAFs, a literatura ainda carece de técnicas visando a detecçãodesses sistemas produtivos. Os resultados indicam que entre os principais desafios observados estão a similaridade das assinaturas espectrais das áreas e a necessidade de maior resolução espacial e temporal dos sensores utilizados.  \nPalavras-chave—inteligência artificial, aprendizado demáquina, sensoriamento remoto, SAF´s.  \nABSTRACT  \nAgroforestry systems (SAFs) are assertive techniques aimed at environmental sustainability, especially in tropical regions such as Brazil. However, it is a challenge to map these systems using remote sensing techniques, mainly due to their complexity and structural heterogeneity. The aim of this study was to review the available literature on the use of deep learning in mapping complex agricultural environments, with a focus on SAFs. Although there have been advances in mapping crops in SAFs, the literature still lacks techniques for detecting them on a large scale. Among the main challenges observed are the similarity of spectral signatures and the need for greater spatial and temporal resolution.  \nKey words — artificial intelligence, machine learning, remote sensing, SAF’s  \n1. INTRODUÇÃO  \nOs Sistemas Agroflorestais (SAFs) são arranjos de espéciesorganizados de maneira sequencial, associando culturasagrícolas com espécies arbóreas e/ou animais. Esses sistemas buscam, ao longo do tempo, simular as condições da dinâmica natural e, com isso, auxiliar na construção de um modo de vida sustentável à população local [1,2] . No Brasil, os SAFs seassemelham com as características das florestas tropicais, ondemelhor se adaptam. Estudos baseados em imagens como o LiDAR (Light Detection and Ranging) e índices de vegetação, a exemplo de NDVI (Normalized Difference Vegetation Index), EVI (Enhanced Vegetation Index), e SAVI (Soil Adjusted Vegetation Index), derivados de imagens de satélite de resolução espacial média ou moderada, têm sido realizados com foco no mapeamento e estimativas de biomassa de carbono [3]. Entretanto, o mapeamento e monitoramento desses tipos de sistemas enfrentam desafios significativos, uma vez que técnicas tradicionais de sensoriamento remotopossuem limitações para elevar a precisão em algumas regiões.  \nNa última década, o uso de algoritmos baseados em deep learning (DL) têm se destacado como uma alternativa promissora para superar essas barreiras metodológicas. Esses ambientes são caracterizados por elementos como a dive","cbCaicjG4ApGP3Eg","https://ap.wps.com/l/cbCaicjG4ApGP3Eg","pdf",409250,1,4,"Portuguese","pt",112,"# Introdução\n## Sistemas Agroflorestais e desafios de mapeamento\n## Uso de deep learning e machine learning em SAFs\n# Material e métodos\n## Sistemas Agroflorestais\n## Bases de dados analisadas","[{\"question\":\"Por que o mapeamento de SAFs por sensoriamento remoto é considerado desafiador?\",\"answer\":\"Devido à complexidade estrutural e à heterogeneidade de espécies, que dificultam a detecção e reduzem a precisão das técnicas tradicionais. Além disso, a similaridade das assinaturas espectrais das áreas é um obstáculo relevante.\"},{\"question\":\"Qual é o objetivo do estudo apresentado no trabalho?\",\"answer\":\"Revisar a literatura disponível sobre o uso de deep learning e machine learning no mapeamento de ambientes agrícolas complexos, com foco em sistemas agroflorestais. A revisão também busca identificar metodologias utilizadas e limitações apontadas pelos autores.\"},{\"question\":\"Quais foram os principais desafios observados pelos autores na detecção de SAFs?\",\"answer\":\"A literatura aponta principalmente a similaridade das assinaturas espectrais e a necessidade de maior resolução espacial e temporal dos sensores. O trabalho também ressalta a carência de técnicas para detecção em grandes territórios de forma abrangente.\"}]","USO DE DEEP LEARNING E MACHINE LEARNING PARA O MAPEAMENTO DE SISTEMAS AGROFLORESTAIS - Revisão de literatura | PDF",1785945294,6,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":86,"head_meta":88,"extra_data":90,"updated_unix":28},"use-of-deep-learning-and-machine-learning-for-mapping-agroforestry-systems-literature-review","",{"@graph":36,"@context":85},[37,53,68],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/pt/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":43,"position":21},"https://docshare.wps.com/pt/document/use-of-deep-learning-and-machine-learning-for-mapping-agroforestry-systems-literature-review/128175/",{"url":52,"name":13,"@type":54,"author":55,"headline":13,"publisher":57,"fileFormat":60,"inLanguage":23,"description":14,"dateModified":61,"datePublished":62,"encodingFormat":60,"isAccessibleForFree":63,"interactionStatistic":64},"DigitalDocument",{"name":9,"@type":56},"Person",{"url":41,"name":58,"@type":59},"DocShare","Organization","application/pdf","2026-08-23","2026-08-05",true,{"@type":65,"interactionType":66,"userInteractionCount":20},"InteractionCounter",{"@type":67},"ViewAction",{"@type":69,"mainEntity":70},"FAQPage",[71,77,81],{"name":72,"@type":73,"acceptedAnswer":74},"Por que o mapeamento de SAFs por sensoriamento remoto é considerado desafiador?","Question",{"text":75,"@type":76},"Devido à complexidade estrutural e à heterogeneidade de espécies, que dificultam a detecção e reduzem a precisão das técnicas tradicionais. Além disso, a similaridade das assinaturas espectrais das áreas é um obstáculo relevante.","Answer",{"name":78,"@type":73,"acceptedAnswer":79},"Qual é o objetivo do estudo apresentado no trabalho?",{"text":80,"@type":76},"Revisar a literatura disponível sobre o uso de deep learning e machine learning no mapeamento de ambientes agrícolas complexos, com foco em sistemas agroflorestais. A revisão também busca identificar metodologias utilizadas e limitações apontadas pelos autores.",{"name":82,"@type":73,"acceptedAnswer":83},"Quais foram os principais desafios observados pelos autores na detecção de SAFs?",{"text":84,"@type":76},"A literatura aponta principalmente a similaridade das assinaturas espectrais e a necessidade de maior resolução espacial e temporal dos sensores. O trabalho também ressalta a carência de técnicas para detecção em grandes territórios de forma abrangente.","https://schema.org",{"og:url":52,"og:type":87,"og:title":13,"og:site_name":58,"og:description":14},"article",{"robots":89,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":92},[93,98,102,106,110,114,118,120,124,128],{"id":94,"doc_module":4,"doc_module_name":46,"category_name":95,"show_sort_weight":96,"slug":97},26,"Contos e Romances",60,"story-novel",{"id":99,"doc_module":4,"doc_module_name":46,"category_name":100,"show_sort_weight":96,"slug":101},46,"Estilo de Vida","lifestyle",{"id":103,"doc_module":4,"doc_module_name":46,"category_name":104,"show_sort_weight":96,"slug":105},28,"Exames","exam",{"id":107,"doc_module":4,"doc_module_name":46,"category_name":108,"show_sort_weight":96,"slug":109},47,"Geral","general",{"id":111,"doc_module":4,"doc_module_name":46,"category_name":112,"show_sort_weight":96,"slug":113},29,"Histórias em Quadrinhos","comic",{"id":115,"doc_module":4,"doc_module_name":46,"category_name":116,"show_sort_weight":96,"slug":117},27,"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":96,"slug":119},"research-report",{"id":121,"doc_module":4,"doc_module_name":46,"category_name":122,"show_sort_weight":96,"slug":123},33,"Religião e Espiritualidade","religion-spirituality",{"id":125,"doc_module":4,"doc_module_name":46,"category_name":126,"show_sort_weight":96,"slug":127},31,"Saúde e Cuidados","healthcare",{"id":129,"doc_module":4,"doc_module_name":46,"category_name":130,"show_sort_weight":96,"slug":131},45,"Tecnologia","technology"]