Sobre
Com mais de 7 anos de experiência na interseção entre tecnologia e agricultura, minha carreira é focada no desenvolvimento de soluções inovadoras que geram impacto positivo no setor. Iniciei minha trajetória na Agrosatélite, onde utilizei dados geoespaciais e sensoriamento remoto para criar modelos de inteligência artificial para mapeamento agrícola, estimativa de evapotranspiração e monitoramento de emissões de gases de efeito estufa, contribuindo para projetos de relevância nacional e internacional.
Mais tarde, na Brain Agriculture, uma startup adquirida pela Serasa Experian, liderei o desenvolvimento do Crop Monitor. Essa solução integra imagens de satélite, dados meteorológicos e algoritmos de IA para fornecer insights estratégicos sobre a saúde das lavouras e previsão de produtividade, consolidando minha expertise em desenvolvimento de produtos orientados por dados.
Ao longo dos anos, construí uma base sólida em desenvolvimento de software, análise de dados, engenharia de dados e desenvolvimento de produtos, trazendo uma perspectiva abrangente para todo o ciclo de vida das soluções tecnológicas e transformando desafios em resultados concretos.
Experiência Profissional
Big data para operações financeiras no agronegócio.
- Mapeamento de uso e cobertura da terra utilizando ferramentas de aprendizado de máquina;
- Processamento de imagens de satélite;
- Desenvolvimento de sistemas de informação geográfica;
- Liderança no desenvolvimento do sistema Crop Monitor.
Big data para operações financeiras no agronegócio.
- Mapeamento de uso e cobertura da terra utilizando ferramentas de aprendizado de máquina;
- Processamento de imagens de satélite;
- Desenvolvimento de sistemas de informação geográfica;
- Liderança no desenvolvimento de produtos de sensoriamento remoto.
Agrosatélite Geotecnologia Aplicada Ltda.
Sensoriamento remoto e inteligência geográfica para o agronegócio e meio ambiente.
- Mapeamento de uso e cobertura da terra utilizando ferramentas de aprendizado de máquina;
- Processamento de imagens de satélite;
- Desenvolvimento de sistemas de informação geográfica;
- Liderança na equipe de pesquisa e desenvolvimento.
Participação em Projetos
Sistema de monitoramento de lavouras com imagens de satélite, dados meteorológicos e inteligência artificial.
Mapeamento por satélite de lavouras e estruturas de armazenamento afetadas nas bacias do Jacuí e Guaíba.
Estimativa de emissões e remoções de poluentes no setor de uso da terra do Brasil
Neste projeto, gerenciei o download e o processamento de imagens de satélite para desenvolver matrizes de emissões e remoções de Gases de Efeito Estufa. Essas matrizes foram essenciais para o cálculo da dinâmica dos GEE no setor de uso da terra no Brasil nos anos de 1994, 2002, 2005, 2010 e 2016, fornecendo insights importantes sobre o impacto ambiental do país nesses períodos.
Neste projeto, o objetivo foi mapear anualmente a cobertura e o uso da terra no Brasil de 1985 até o presente.
Entre 2017 e 2021, dediquei meus esforços a um projeto que envolveu o mapeamento da Agricultura e das Florestas Plantadas em todo o território brasileiro. Essa tarefa foi realizada com o uso de algoritmos de aprendizado de máquina, especialmente o Random Forest, em conjunto com imagens de satélite Landsat desde 1984. O escopo do projeto incluiu a aplicação de técnicas analíticas avançadas para processar e interpretar grandes volumes de dados, oferecendo uma visão abrangente e dinâmica das mudanças no uso da terra ao longo do tempo no Brasil.
Este projeto teve como objetivo estabelecer a nova geração de mapeamento de uso e cobertura da terra.
Neste projeto, liderei o mapeamento de pivôs de irrigação e infraestrutura urbana. Em colaboração com os parceiros do NexGenMap — como Planet, MapBiomas, Google e a Fundação Gordon e Betty Moore — desenvolvemos soluções inovadoras para monitoramento da perda de florestas e mudanças no uso da terra no Brasil. Com o uso de imagens de satélite de alta qualidade e algoritmos avançados, obtivemos uma detecção precisa do desmatamento, apoiando decisões informadas de gestão territorial e políticas públicas para conservação das florestas tropicais brasileiras.
Sistema de Monitoramento de Fazendas
Como líder técnico da equipe, conduzi o desenvolvimento do SIMFaz, um sistema de monitoramento de propriedades rurais. Ele fornece inteligência geográfica para avaliar riscos ambientais, sociais e financeiros em imóveis rurais. Com três módulos — Socioambiental, Avaliação Fundiária e Monitoramento Agrícola — o SIMFaz oferece insights oportunos para diversos clientes, incluindo bancos, seguradoras e empresas do agronegócio. Utilizando imagens de satélite e dados climáticos, o sistema monitora o cumprimento de critérios socioambientais, avalia o valor das propriedades e acompanha o desempenho das lavouras ao longo do tempo.
Formação Acadêmica
Pontifícia Universidade Católica de Minas Gerais
Minas Gerais, Brasil | 2020-2021
- Pós-graduação (Lato Sensu) em Inteligência Artificial e Aprendizado de Máquina
- Trabalho de conclusão: Mapeamento intra-anual do uso e cobertura da terra utilizando inteligência artificial e sensoriamento remoto.
Pontifícia Universidade Católica de Minas Gerais
Minas Gerais, Brasil | 2019-2020
- Pós-graduação (Lato Sensu) em Ciência de Dados e Big Data
- Trabalho de conclusão: Previsão da temperatura do ar no Brasil utilizando estações meteorológicas e modelos de aprendizado de máquina.
Ceará, Brasil | 2013-2016
- Bacharelado em Sistemas de Informação
- Trabalho de conclusão: Um ambiente virtual de aprendizagem para auxiliar no processo de ensino e aprendizagem de matemática.
- Média Geral (GPA): 3,69
Publicações
Brazil has a monitoring system to track annual forest conversion in the Amazon and most recently to monitor the Cerrado biome. However, there is still a gap of annual land use and land cover (LULC) information in all Brazilian biomes in the country. Existing countrywide efforts to map land use and land cover lack regularly updates and high spatial resolution time-series data to better understand historical land use and land cover dynamics, and the subsequent impacts in the country biomes. In this study, we described a novel approach and the results achieved by a multi-disciplinary network called MapBiomas to reconstruct annual land use and land cover information between 1985 and 2017 for Brazil, based on random forest applied to Landsat archive using Google Earth Engine. We mapped five major classes: forest, non-forest natural formation, farming, non-vegetated areas, and water. These classes were ...
DOI: 10.3390/rs12172735
Data: 25/08/2020
Automatic Mapping of Center Pivot Irrigation Systems from Satellite Images Using Deep Learning
The availability of freshwater is becoming a global concern. Because agricultural consumption has been increasing steadily, the mapping of irrigated areas is key for supporting the monitoring of land use and better management of available water resources. In this paper, we propose a method to automatically detect and map center pivot irrigation systems using U-Net, an image segmentation convolutional neural network architecture, applied to a constellation of PlanetScope images from the Cerrado biome of Brazil. Our objective is to provide a fast and accurate alternative to map center pivot irrigation systems with very high spatial and temporal resolution imagery. We implemented a modified U-Net architecture using the TensorFlow library and trained it on the Google cloud platform with a dataset built from more than 42,000 very high spatial resolution PlanetScope images acquired between August 2017 and November 2018. The U-Net implementation achieved a precision of 99% and a recall of 88% to detect and map center pivot irrigation systems in our study area. This method, proposed to detect and map center pivot irrigation systems, has the potential to be scaled to larger areas and improve the monitoring of freshwater use by agricultural activities.
DOI: 10.3390/rs12030558
Data: 07/02/2020
Co-author of a publication in Groundwater for Sustainable Development (Elsevier). I contributed a deep learning approach (Saraiva et al., 2020) to automatically map center pivot irrigation systems from Landsat images. This mapping supported the estimation of water demand from irrigated agriculture and helped determine whether the source was surface water or groundwater across sub-basins in the Zambezi River Basin.
DOI: 10.1016/j.gsd.2025.101421
Data: 11/02/2025
Construção de mosaicos temporais normalizados de imagens planet
A constelação de satélites compactos Planet coleta imagens multiespectrais diariamente com resolução espacial de 3 a 4 m. Essas imagens têm um enorme potencial para contribuir com a melhoria da precisão do mapeamento do uso e da cobertura do solo, e na detecção e monitoramento de interferências antrópicas na paisagem. Uma etapa fundamental para o uso efetivo de imagens Planet nesses tipos de aplicações é o seu pré-processamento para detecção e remoção de nuvens, sombra e outros tipos de ruídos atmosféricos e a normalização radiométrica de séries temporais de mosaicos. Neste artigo, apresentamos os avanços do Projeto NextGenMap para produzir mosaicos de imagens Planet para diversas aplicações. Apresentamos o algoritmo detalhado, o acesso aos códigos implementados na Plataforma Google Earth Engine e o repositório dos mosaicos. Por último, discutimos os próximos passos para superar algumas das limitações que ainda não foram superadas nessa fase do projeto.
DOI: 10.29327/xix-sbsr.a1
Data: 17/04/2019