تشكل إزالة الغابات تحديات بيئية واجتماعية كبيرة، بينما أدت التطورات في تصوير الأقمار الصناعية والتعلم العميق إلى تحسين دقة المراقبة وقابليتها للتوسع. تقيم هذه الدراسة عشرة نماذج للتعلم العميق لتجزئة إزالة الغابات، بما في ذلك U-Net وResNet وFCN ونسخ YOLO، مع تقييم الدقة وكفاءة الحوسبة، مع التركيز على بيئات الأمازون والغابات الأطلسية. تسلط النتائج الضوء على أن U-Net وResNet50 تحققان أعلى دقة، بينما توفر نسخ YOLOv8 وYOLOv11 توازنًا مثاليًا بين السرعة والأداء. تسهم النتائج في اختيار النموذج للكشف عن إزالة الغابات في الوقت الحقيقي، مما يدعم جهود الحفظ واتخاذ القرارات البيئية في المناطق غير المستكشفة مثل الغابات الأطلسية.
درس Benvenuto وآخرون (Sun) هذا السؤال.