Sensoriamento remoto · Inteligência artificial · Amazônia

Ensinamos máquinas a ler
a Amazônia a partir da órbita.

SWIR · NIR · RED — a composição de bandas por trás do trabalho

A OPGEO (Observações e Pesquisas Geoespaciais) desenvolve pipelines de deep learning que transformam imagens Sentinel-2 e Landsat em inteligência operacional — detectando estradas, mineração, exploração madeireira e sítios de risco de trabalho forçado em milhões de km² de floresta.

Ver projetos Fale conosco
3,2M km
Estradas mapeadas · Sentinel-2
2,8M km
Estradas mapeadas · Landsat histórico
192
Sítios investigados · Projeto CHAR
50+
Pessoas resgatadas de trabalho forçado
01—03

Projetos

SENSOR Sentinel-2 · 10 m MODELO U-Net modificada ESCALA 5M km² · Amazônia Legal PAPEL Autoria e desenvolvimento

Mapeando todas as estradas da Amazônia brasileira com IA

Problema. Estradas não oficiais são a linha de frente do desmatamento, do fogo e da grilagem — mas mapeá-las por interpretação visual levava meses por atualização, inviabilizando o monitoramento frequente.

Abordagem. Projetamos e treinamos uma U-Net modificada sobre composições SWIR/NIR/RED do Sentinel-2, estruturamos um pipeline em nuvem e construímos pós-processamento que vetoriza, conecta e limpa as detecções em uma malha viária pronta para análise.

Resultado. 3,46 milhões de km de estradas mapeados em toda a Amazônia Legal em ~7 horas de processamento em nuvem — trabalho que antes exigia meses de esforço manual. O dado alimenta a plataforma PrevisIA e foi publicado na revista Remote Sensing (MDPI).

U-NetTensorFlowAzureGDALGRASS GISspectral engineering
Ler o artigo → Plataforma PrevisIA →
SENSOR Landsat · 30 m MÉTODO Transfer learning ESCALA Arquivo multi-décadas PAPEL Autoria · Dissertação (M.S.)

Reconstruindo a malha viária histórica a partir do arquivo Landsat

Problema. Entender como estradas impulsionam o desmatamento exige história — mas não havia método automatizado para extrair estradas de décadas de imagens Landsat, de resolução mais grossa.

Abordagem. Transferimos e adaptamos o modelo Sentinel-2 para o arquivo Landsat, enfrentando o problema mais difícil de feições lineares sub-pixel a 30 m de resolução, com validação em múltiplos períodos.

Resultado. 2,8 milhões de km de estradas mapeados no registro histórico, viabilizando análise temporal da expansão viária — base da pesquisa de mestrado do fundador na Missouri State University.

Landsattransfer learningsub-pixelséries temporais
Ler a dissertação →
PARCEIRO Stanford HT Data Lab USUÁRIO FINAL Ministério Público (MPF/MPT) PERÍODO 2023 – 2025 PAPEL Análise de dados de pesquisa

Detectando sítios de risco de trabalho forçado a partir do espaço

Problema. Na Amazônia, a produção ilegal de carvão frequentemente se sobrepõe ao tráfico de pessoas — mas os sítios são remotos, pequenos e invisíveis ao monitoramento convencional.

Abordagem. No Human Trafficking Data Lab de Stanford, construímos modelos de visão computacional e infraestrutura de banco de dados geoespacial para detectar sítios candidatos em imagens de satélite e apoiar o direcionamento de fiscalizações.

Resultado. A metodologia apoiou a investigação de 192 sítios; 13 receberam operação completa de fiscalização e mais de 50 pessoas foram resgatadas de condições análogas à escravidão.

visão computacionalPostGISsuporte à decisãoML de alto impacto
Stanford HT Data Lab →
SVC

O que fazemos

/modelos-de-deteccao

Modelos de IA para observação da Terra

Modelos de deep learning sob medida (U-Net, ResNet, embeddings de foundation models) para detectar estradas, mineração, exploração madeireira, fogo e mudança de uso do solo — para seus sensores, sua região e suas metas de acurácia.

/pipelines

Pipelines geoespaciais de ponta a ponta

Da aquisição e pré-processamento de imagens ao treinamento, inferência, vetorização e alertas automatizados — pipelines de produção em Earth Engine, Azure ou GCP, com bancos PostGIS.

/consultoria

Consultoria técnica e auditorias

Desenho de metodologia, avaliação de modelos e revisão independente para monitoramento ambiental, due diligence de cadeias produtivas (EUDR) e programas de MRV que precisam de resultados robustos a escrutínio.

BIO

Quem somos

FUNDADOR Jonas Botelho Jr. FORMAÇÃO M.S. Ciência da Computação · MSU BASE Belém, Pará — Amazônia

A OPGEO nasce de quase uma década de pesquisa aplicada em sensoriamento remoto na Amazônia. Seu fundador, Jonas Botelho Jr., é engenheiro da computação com mestrado em ciência da computação, autor de pesquisas publicadas sobre extração de estradas com IA e ex-analista de dados de pesquisa na Universidade de Stanford.

Trabalhamos na interface entre ciência de dados, geotecnologias e problemas reais — com parceiros como IMAZON, Instituto DADOS e o Human Trafficking Data Lab de Stanford. Estar baseado na Amazônia não é detalhe: é conhecimento de campo embutido em cada modelo.

REF

Publicações

Mapping Roads in the Brazilian Amazon with Artificial Intelligence and Sentinel-2 Remote Sensing · 2022
Road Extraction on Remote Sensing Imagery: Historical Mapping of the Brazilian Amazon M.S. Thesis · MSU
Mapeamento do incremento anual de estradas na Amazônia com inteligência artificial SBSR · 2023

Tem um problema de monitoramento medido em km²?

A OPGEO atende um número limitado de projetos por vez — desenvolvimento de modelos, construção de pipelines e consultoria técnica para organizações que monitoram territórios, florestas e cadeias produtivas.

Iniciar uma conversa
jonasjunnior@gmail.com · GitHub · ORCID
Belém, Pará, Brasil · Atendimento remoto, mundial