Deep Learning: uma Revisão Sistemática Integrativa de Suas Aplicações em Mapeamento Utilizando Imagens de RPA
Barra lateral de artigos
Conteúdo do artigo principal
Resumo
O avanço das técnicas de aprendizado profundo (Deep Learning - DL) tem ampliado o uso de Aeronaves Remotamente Pilotadas (RPAs) no mapeamento cartográfico e no sensoriamento remoto, impulsionando a automação e a precisão dos produtos geoespaciais. Diante do crescimento expressivo dessas aplicações, este artigo tem como objetivo sistematizar e analisar criticamente as pesquisas que integram DL e RPAs no contexto do mapeamento, considerando as principais arquiteturas de redes neurais, sensores empregados e áreas de aplicação. Foi conduzida uma revisão sistemática integrativa nas bases Web of Science, Scopus e ScienceDirect, abrangendo o período de 2020 a 2025. A triagem resultou em 22 artigos incluídos, classificados em cinco categorias temáticas: agricultura, detecção de objetos, inspeções, incêndios e LiDAR. Os resultados evidenciam o predomínio das arquiteturas YOLO e U-Net, a crescente adoção de dados multiespectrais e térmicos e a carência de padronização metodológica nos procedimentos de treinamento e validação. A análise integrativa permitiu identificar tendências, lacunas e desafios éticos e técnicos na aplicação de DL com RPAs para o mapeamento cartográfico. A pesquisa contribui para a consolidação do conhecimento técnico-científico sobre o tema e reforça a importância de protocolos e práticas padronizadas no desenvolvimento de produtos cartográficos baseados em inteligência artificial.
Downloads
Detalhes do artigo
Seção
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Atribuição que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (veja "O Efeito do Acesso Aberto").
Como Citar
Referências
Aibibu, T., Lan, J., Zeng, Y., Lu, W., & Gu, N. (2023). An Efficient Rep-Style Gaussian–Wasserstein Network: Improved UAV Infrared Small Object Detection for Urban Road Surveillance and Safety. Remote Sensing, 16(1), 25. https://doi.org/10.3390/rs16010025
Alotaibi, E., & Nassif, N. (2024). Artificial intelligence in environmental monitoring: in-depth analysis. Discover Artificial Intelligence, 4(1). https://doi.org/10.1007/s44163-024-00198-1
Aszkowski, P., Ptak, B., Kraft, M., Pieczyński, D., & Drapikowski, P. (2023). Deepness: Deep neural remote sensing plugin for QGIS. SoftwareX, 23, 101495. https://doi.org/10.1016/j.softx.2023.101495
Fei, S., Hassan, M. A., He, Z., Chen, Z., Shu, M., Wang, J., Li, C., & Xiao, Y. (2021). Assessment of Ensemble Learning to Predict Wheat Grain Yield Based on UAV-Multispectral Reflectance. Remote Sensing, 13(12), 2338. https://doi.org/10.3390/rs13122338
Hooshyar, M., Li, Y.-S., Chun Tang, W., Chen, L.-W., & Huang, Y.-M. (2024). Economic Fruit Trees Recognition in Hillsides: A CNN-Based Approach Using Enhanced UAV Imagery. IEEE Access, 12, 61991–62005. https://doi.org/10.1109/access.2024.3391371
Jeon, M., Moon, J., Jeong, S., & Oh, K. (2024). Autonomous flight strategy of an unmanned aerial vehicle with multimodal information for autonomous inspection of overhead transmission facilities. Computer-Aided Civil and Infrastructure Engineering, 39(14), 2159–2186. https://doi.org/10.1111/mice.13188
Lang, M., Antsov, M., Mumma, A., Suitso, I., Kuusk, A., & Piip, K. (2025). Comparison of forest canopy gap fraction measurements from drone-based video frames, below-canopy hemispherical photography, and airborne laser scanning. European Journal of Remote Sensing, 58(1). https://doi.org/10.1080/22797254.2025.2456629
Li, Y., Fan, Q., Huang, H., Han, Z., & Gu, Q. (2023). A Modified YOLOv8 Detection Network for UAV Aerial Image Recognition. Drones, 7(5), 304. https://doi.org/10.3390/drones7050304
Lu, D., Xu, L., Zhou, J., Gao, K., Gong, Z., & Zhang, D. (2025). 3D-UMamba: 3D U-Net with state space model for semantic segmentation of multi-source LiDAR point clouds. International Journal of Applied Earth Observation and Geoinformation, 136, 104401. https://doi.org/10.1016/j.jag.2025.104401
Mohammadi, S., Uhlen, A. K., Lillemo, M., Ergon, Å., & Shafiee, S. (2024). Enhancing phenotyping efficiency in faba bean breeding: integrating UAV imaging and machine learning. Precision Agriculture, 25(3), 1502–1528. https://doi.org/10.1007/s11119-024-10121-4
Nakamura, T., Kioka, A., Egawa, K., Ishii, T., & Yamada, Y. (2024). Estimating millimeter-scale surface roughness of rock outcrops using drone-flyover structure-from-motion (SfM) photogrammetry by applying machine learning model. Earth Science Informatics, 17(3), 2399–2416. https://doi.org/10.1007/s12145-024-01280-z
Pan, Y., Li, L., Qin, J., Chen, J., & Gardoni, P. (2024). Unmanned aerial vehicle–human collaboration route planning for intelligent infrastructure inspection. Computer-Aided Civil and Infrastructure Engineering, 39(14), 2074–2104. https://doi.org/10.1111/mice.13176
Park, M., Kim, H., & Lee, J. (2024). Detection and grading of compost heap using UAV and deep learning. Korean Journal of Remote Sensing, 40(1), 33–43. https://doi.org/10.7780/kjrs.2024.40.1.4
Peixoto Oliveira, L. T., Oliveira, E. B., Fernandes, V. O., Lima, C. D. A. (2024). Análise comparativa de métodos para identificação de defeitos em pavimento com uso de imagens de RPA. In: Anais do 38º Congresso de Pesquisa e Ensino em Transportes. Galoá. https://proceedings.science/anpet/anpet-2024/trabalhos/analise-comparativa-de-metodos-para-identificacao-de-defeitos-em-pavimento-com-u?lang=pt-br
Prince, Simon J. D. Understanding deep learning. Cambridge: MIT Press. (2023) https://udlbook.github.io/udlbook/
Rahnamayiezekavat, P., Wang, D., Chai, J., Moon, S., Rashidi, M., & Wang, X. (2024). Automated pavement marking integrity assessment using a UAV platform – a test case of public parking. Journal of Asian Architecture and Building Engineering, 24(3), 1594–1605. https://doi.org/10.1080/13467581.2024.2329358
Saydirasulovich, S. N., Mukhiddinov, M., Djuraev, O., Abdusalomov, A., & Cho, Y.-I. (2023). An Improved Wildfire Smoke Detection Based on YOLOv8 and UAV Images. Sensors, 23(20), 8374. https://doi.org/10.3390/s23208374
Shamta, I., & Demir, B. E. (2024). Development of a deep learning-based surveillance system for forest fire detection and monitoring using UAV. PLOS ONE, 19(3), e0299058. https://doi.org/10.1371/journal.pone.0299058
Skobalski, J., Sagan, V., Alifu, H., Al Akkad, O., Lopes, F. A., & Grignola, F. (2024). Bridging the gap between crop breeding and GeoAI: Soybean yield prediction from multispectral UAV images with transfer learning. ISPRS Journal of Photogrammetry and Remote Sensing, 210, 260–281. https://doi.org/10.1016/j.isprsjprs.2024.03.015
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333–339. https://doi.org/10.1016/j.jbusres.2019.07.039
Soeleman, M. A., Supriyanto, C., & Purwanto. (2023). Deep Learning Model for Unmanned Aerial Vehicle-based Object Detection on Thermal Images. Revue d’Intelligence Artificielle, 37(6), 1441–1447. https://doi.org/10.18280/ria.370608
Sui, T., Huang, Q., Wu, M., Wu, M., & Zhang, Z. (2024). BiAU-Net: Wildfire burnt area mapping using bi-temporal Sentinel-2 imagery and U-Net with attention mechanism. International Journal of Applied Earth Observation and Geoinformation, 132, 104034. https://doi.org/10.1016/j.jag.2024.104034
Tiwari, A., Bardhan, S., & Kumar, V. (2022). A Bibliographic Study on Artificial Intelligence Research: Global Panorama and Indian Appearance. Library Herald, 60(4), 15–36. https://doi.org/10.5958/0976-2469.2022.00036.7
Yigitcanlar, T., David, A., Li, W., Fookes, C., Bibri, S. E., & Ye, X. (2024). Unlocking Artificial Intelligence Adoption in Local Governments: Best Practice Lessons from Real-World Implementations. Smart Cities, 7(4), 1576–1625. https://doi.org/10.3390/smartcities7040064
Yigitcanlar, T., Senadheera, S., Marasinghe, R., Bibri, S. E., Sanchez, T., Cugurullo, F., & Sieber, R. (2024). Artificial intelligence and the local government: A five-decade scientometric analysis on the evolution, state-of-the-art, and emerging trends. Cities, 152, 105151. https://doi.org/10.1016/j.cities.2024.105151
Yu, J., Wang, J., & Leblon, B. (2021). Evaluation of Soil Properties, Topographic Metrics, Plant Height, and Unmanned Aerial Vehicle Multispectral Imagery Using Machine Learning Methods to Estimate Canopy Nitrogen Weight in Corn. Remote Sensing, 13(16), 3105. https://doi.org/10.3390/rs13163105
Yuan, W. (2024). AriAplBud: An Aerial Multi-Growth Stage Apple Flower Bud Dataset for Agricultural Object Detection Benchmarking. Data, 9(2), 36. https://doi.org/10.3390/data9020036
Zhang, J., Zhou, X., Shen, D., Yu, Q., Yuan, L., & Dong, Y. (2024). Development of Spectral Features for Monitoring Rice Bacterial Leaf Blight Disease Using Broad-Band Remote Sensing Systems. Phyton-International Journal of Experimental Botany, 93(4), 745–762. https://doi.org/10.32604/phyton.2024.049734
Zhao, Y., Luo, W., Wang, Z., Zhang, G., Liu, J., Li, X., & Wang, Q. (2024). An oil and gas pipeline inspection UAV based on improved YOLOv7. Measurement and Control, 57(8), 1068–1086. https://doi.org/10.1177/00202940241230426