Update README.md

README.md

@@ -25,7 +25,7 @@ Para utilizar o Mask R-CNN e o NDVI para segmentar talhões e classificar a prob
 #### 1. Coleta e Preparação dos Dados
 
 **Imagens de Satélite:**
-Utilize imagens de satélite do Sentinel-2, que oferecem as bandas espectrais necessárias (vermelha e infravermelha próxima) para calcular o NDVI. Essas imagens serão a base tanto para a segmentação dos talhões quanto para a análise do NDVI.
+Utilize imagens de satélite do satellite-image-deep-learning/DOTAv2, que oferecem as bandas espectrais necessárias (vermelha e infravermelha próxima) para calcular o NDVI. Essas imagens serão a base tanto para a segmentação dos talhões quanto para a análise do NDVI.
 
 **Anotações dos Talhões:**
 Obtenha ou crie anotações de talhões agrícolas. Estas anotações são geralmente fornecidas como máscaras binárias, onde cada pixel é marcado para indicar se faz parte de um talhão ou não.
@@ -33,7 +33,7 @@ Obtenha ou crie anotações de talhões agrícolas. Estas anotações são geral
 #### 2. Cálculo do NDVI
 
 O NDVI (Normalized Difference Vegetation Index) é calculado utilizando as bandas vermelha (Red) e infravermelha próxima (NIR) das imagens de satélite. A fórmula é:
-\[ \text{NDVI} = \frac{(NIR - Red)}{(NIR + Red)} \]
+[latex] \text{NDVI} = \frac{(NIR - Red)}{(NIR + Red)} [/latex]
 Este índice ajuda a identificar a saúde da vegetação, onde valores próximos a 1 indicam vegetação densa e saudável, enquanto valores próximos a -1 indicam água ou áreas sem vegetação.
 
 #### 3. Segmentação dos Talhões com Mask R-CNN
@@ -86,7 +86,7 @@ A combinação do Mask R-CNN e do NDVI permite uma abordagem eficaz para segment
   
 - **Tipo do Modelo:** maskRCNN
 - **Linguagem:** Python.
-- **Licensa:** cdla-permissive-2.0
+- **Licença:** cdla-permissive-2.0
 
 #### Métrica