Técnicas de aprendizagem profunda baseadas em dados de sensoriamento remoto podem desempenhar um papel crítico no monitoramento do desmatamento em todo o mundo. No entanto, a qualidade dessas técnicas depende da disponibilidade de grandes conjuntos de dados anotados. Métodos de adaptação de domínio abordam a escassez de dados de treinamento anotados, aproveitando o conhecimento adquirido a partir de domínios de aplicação para os quais existem uma abundância de dados rotulados. O sucesso da adaptação dos domínios depende, no entanto, do nível de (dis)similaridade entre os domínios fonte e alvo. Embora existam algumas técnicas estatísticas para medir discrepâncias relativas entre distribuições de dados distintas, antecipar o resultado de um método de adaptação de domínio específico é uma questão em aberto. Além disso, o desbalanceamento de classes é um problema importante na adaptação de domínio. A aplicação de detecção de desmatamento é frequentemente caracterizada por um alto nível de desbalanceamento, dado que apenas uma pequena parte das extensas áreas florestais é desmatada nos períodos monitorados. Este trabalho aborda ambos os desafios mencionados, propondo soluções inovadoras. A fim de prever o desempenho da adaptação do domínio, propomos uma forma de medir a incerteza nas suas previsões, obtendo pistas sobre sua capacidade de generalização. Em relação ao desbalanceamento, aplicamos uma abordagem de remoção de viés não supervisionada que determina as probabilidades de amostragem para a seleção de lotes usados nas iterações de treinamento, considerando as distribuições de amostras em todo o conjunto de dados de treinamento. O módulo atribui probabilidades de amostragem mais altas a amostras sub-representadas. Para avaliar as soluções propostas, diversos experimentos foram realizados considerando quatro domínios distintos dentro da floresta amazônica. Os domínios correspondem a diferentes localizações geográficas, caracterizadas por diferentes tipos de vegetação e padrões de desmatamento. Os resultados experimentais indicam que a integração da técnica de remoção de viés nos métodos de adaptação de domínio melhorou o desempenho da classificação e que a incerteza estimada é um indicador valioso da capacidade de generalização dos modelos adaptados.