Abstract
Este artigo analisa o desempenho e os limites do aprendizado de máquina na detecção automatizada de desmatamento, com ênfase na Amazônia brasileira e no uso de alertas pela fiscalização ambiental. Realizou-se revisão integrativa e análise documental de estudos científicos, sistemas oficiais e normas jurídicas, com buscas efetuadas entre 8 e 17 de setembro de 2026 e recorte principal de 2015 a 2026. A literatura mostra que redes neurais convolucionais, detecção de mudanças e séries temporais de radar podem acelerar a triagem de grandes territórios e reduzir a dependência de imagens ópticas sem nuvens. Entretanto, acurácia global elevada pode mascarar desempenho insuficiente na classe minoritária de desmatamento. Em estudo com Sentinel-1, a sensibilidade alcançou 96,5%, a acurácia do usuário ficou em 75,7% e a acurácia balanceada em 90,4%, evidenciando que falsos positivos permanecem operacionalmente relevantes. No Brasil, PRODES, DETER e MapBiomas Alerta cumprem funções distintas: estimativa anual, alerta para ação rápida e validação/refinamento com imagens de alta resolução. O artigo propõe um fluxo de governança no qual o modelo prioriza áreas, analistas validam a mudança, bases fundiárias e autorizações são cruzadas, e agentes públicos produzem prova complementar antes de sanções. Conclui-se que modelos são instrumentos de inteligência fiscalizatória, não julgadores automáticos. Sua adoção responsável exige validação espacial e temporal independente, métricas sensíveis ao desbalanceamento, registro de versões, revisão humana, explicabilidade e monitoramento de erros após a implantação.