Arquivo da tag: satélites

likelihood dam

Podemos localizar barragens do espaço?

Milhões de barragens em todo o mundo têm impactos tremendos nas pessoas e no meio ambiente. Enquanto tentam entender e gerenciar esses impactos, os gerentes e pesquisadores da água lutam para encontrar conjuntos de dados de barragens. Agora que temos imagens de satélite diárias de todos os lugares do planeta, quão difícil seria mapear as represas do mundo?

A necessidade de conjuntos de dados de barragens georreferenciadas

Milhões de barragens em todo o mundo foram construídas para gerenciar recursos hídricos para benefício humano. Eles também têm imensos impactos ambientais: na biodiversidade de água doce (por exemplo, represas modificam habitats, bloqueiam a migração de peixes …), serviços ecossistêmicos hidrológicos e saúde humana . Apesar disso, apenas as maiores barragens foram mapeadas, mas são superadas em número por represas menores que têm impactos tremendos.

Os esforços de pesquisadores, ONGs e governos para entender e mitigar os impactos das barragens e gerenciar os ecossistemas hidrológicos de forma inteligente são restritos pelos conjuntos de dados disponíveis das barragens georreferenciadas.

De fato, Lisa Mandle, Cientista Sênior do Projeto Capital Natural, da Universidade de Stanford, estuda como as florestas de Mianmar contribuem para o abastecimento de água do país, mantendo as barragens livres de sedimentos. “Precisávamos saber onde essas barragens estavam localizadas. Esses dados acabaram sendo difíceis de serem obtidos. Ele foi distribuído em diferentes escritórios do governo e não está disponível publicamente de forma abrangente e digital ”, relata. “A melhor informação que conseguimos encontrar incluiu apenas 15 represas em Mianmar. Ao considerar apenas o maior número de barragens, sabemos que nossa análise subestima a importância da natureza ”.

Do outro lado do mundo, Marcia Macedo , cientista assistente do Woods Hole Research Center, enfrentou um desafio semelhante ao estudar os impactos de pequenas barragens agrícolas na Amazônia brasileira. “Nossos estudos de campo mostram claramente que pequenos reservatórios tiveram um grande impacto nos ecossistemas de água doce”, explica ela. “Um único reservatório pode aumentar a temperatura da água em até 4 ° C. Também muda fundamentalmente habitats aquáticos, ciclos de nutrientes e teias alimentares. ”Macedo já mapeou mais de 10.000 pequenas barragens no Brasil. “Sabemos que existem milhões dessas barragens por aí e que elas têm um enorme impacto cumulativo. Mas não podemos gerenciá-los se não pudermos mapeá-los – a baixo custo, em alta resolução e em áreas muito grandes ”, acrescenta.

Alguns (bons e ruins) impactos de barragens [ fonte ]

A solução: imagens de satélite + magias de aprendizado profundo

Com imagens de satélite cada vez mais acessíveis (graças a dados abertos de políticas, por exemplo, da Nasa ou da ESA e ferramentas como o Google Earth Engine ), além da mágica do aprendizado de máquina , parece que você pode fazer qualquer coisa! Mas, seriamente, os algoritmos de aprendizagem profunda diferenciam os gatos dos cães, detectam obstáculos na frente dos carros e classificam os pepinos entre muitas outras aplicações de classificações de imagens. Então parece razoável perguntar:

Podemos detectar represas de imagens de satélite?

No intervalo de uma maratona de 4 horas no GeoForGood 2018 , abordamos essa questão – e fizemos o protótipo de um pipeline usando o Google Earth Engine para criar os dados de treinamento e o Tensorflow para o modelo de classificação de barramento de aprendizagem profunda.

Parece que sim, podemos localizar represas de imagens de satélite . Então agora, a questão é:

O que seria necessário para localizar todas as barragens do planeta com imagens de satélite?

Isso tudo soa maravilhoso, mas realmente, essa precisão de 94% demonstrou que o pipeline funcionou. Não representa um resultado confiável. Então vamos nos aprofundar e discutir o que fizemos, alguns desafios e como poderíamos fazer melhor.

Fluxo de trabalho

1. Dados de treinamento

Para imagens de represas, usamos o conjunto de dados GRanD para exportar imagens rasterizadas de áreas vizinhas a tomadas de barragens, como TFRecords. Estes incluem 5 bandas: RGB e NDWI do Sentinel 2 (15m), bem como elevação (dados DEM: ALOS DSM 30m).

Para imagens não represas, priorizamos áreas na borda de corpos d’água que são facilmente confundidas com reservatórios de barragens. Caso contrário, o algoritmo se classificaria entre a borda da água e todo o resto, em vez de localizar a saída da represa (daí os 94,4%!). Utilizando o conjunto de dados do JRC Global Surface Water no GEE, amostramos aleatoriamente pontos na borda dos corpos de água junto com pontos não aquáticos (para que o algoritmo não ficasse confuso, por exemplo, na linha reta de uma estrada …) e seguiu o mesmo procedimento para exportar rasters de 300m * 300m como TFRecords.

2. Classificação da aprendizagem profunda

Você estava se perguntando o que eram os TFRecords, agora tudo vai começar a fazer sentido: um TFRecord é um formato de dados (armazenamento binário) otimizado para uso com o Tensorflow , uma biblioteca open source particularmente útil para aplicações de aprendizado profundo como… classificação de imagens!

Tivemos a sorte de encontrar um notebook desenvolvido por Chris Brown que treinou uma rede neural totalmente convolucional (FCNN) para detectar carros em imagens de estacionamentos. Um FCNN permite fazer previsões em imagens de qualquer dimensão, para que possamos treinar o modelo em nossas imagens de 300m * 300m e fazer predicições mais tarde em imagens de qualquer dimensão (yay!)

3. Resultados

Os quadrados vermelhos nesta imagem são onde o algoritmo localiza barragens. Isso é encorajador: identifica as duas represas, mas não classifica erroneamente a pequena massa de água à esquerda.

A última iteração foi treinada em uma fusão de cerca de mil pontos de dados de treinamento e resultou em uma precisão de 92% em um conjunto de testes de 600 pontos, com 50.000 etapas.

Usando a área da baía como uma zona de teste, várias represas reais destacam-se aqui em azul-púrpura (por exemplo, a que está circulada em branco).

Os resultados são muito promissores, mas a abordagem ainda precisa ser ajustada. Nathan Pavlovic, que interpretou o especialista em Aprendizado de Máquina com virtude para este Hackathon, levanta os olhos do computador, aparentemente satisfeito. Mas ele ainda nota alguns problemas, por exemplo, que o algoritmo ainda parece algumas vezes confundir floresta densa com água, como visto no centro inferior da imagem. Nenhum dos problemas é insuperável. Na verdade, este é provavelmente devido ao fato de que a floresta densa era uma classe sub-representada no conjunto de treinamento não-barragem que montamos rapidamente. Com mais tempo, várias melhorias poderiam ser feitas nos dados de treinamento para aumentar o desempenho.

Por isso, parece muito possível localizar todas as barragens do planeta, com imagens de satélite!

O que agora?

E quanto a soluções comerciais para reconhecimento de objetos a partir de imagens de satélite? Eles não são úteis nesta questão, até agora (e nós amamos o código aberto de qualquer maneira). O Descartes Lab possui uma ferramenta de busca geovisual impressionante, embora limitada (para uma área de pesquisa fixa e um único conjunto de dados de satélite global), seus aplicativos apresentados parecem bastante promissores. Mas faz um trabalho muito terrível na localização de barragens (provavelmente porque é apenas usando bandas RGB, onde a elevação e o NDWI são fundamentais aqui). Vamos ver o que o Planet Queryable Earth irá oferecer no futuro, com sua missão de “indexar e tornar acessível o que está na Terra, assim como o Google indexou e tornou acessível o que está na internet” … Por enquanto, esses algoritmos permanecem proprietários de qualquer forma.

Alguns desafios identificados até agora incluem a extrema variabilidade no tamanho das barragens e no armazenamento da água do reservatório. Para abordá-los, a escala temporal e a resolução espacial dos dados de entrada precisariam ser adaptadas, por exemplo, podemos precisar de imagens de vários pontos no tempo, de diferentes estações ou anos, para capturar represas que secam sazonalmente ou durante as secas. E as pequenas represas escondidas em uma floresta?

Comparação de resolução: barragem californiana com resolução de 3m vs 10m (© Planet 2018)

Se fizéssemos melhor , os dados de treinamento poderiam ser aumentados e melhorados, afinados para evitar os artefatos que identificamos: mais pontos de treinamento, mas também imagens de maior resolução, especialmente para represas menores – por exemplo, Planetscope captura imagens de 3m, livremente disponível em escala ou facilmente integrado (ainda?) no Google Earth Engine.

Por:

Share This:

Captura de Tela 2019-02-19 às 20.56.15

Aeronáutica prepara aquisição de satélite de sensoriamento remoto de alta resolução.

Os membros do Grupo de Trabalho do Projeto Carponis-1 estarão reunidos até quinta-feira, 7, em Brasília, para analisar e definir os principais pontos processo de aquisição do primeiro satélite brasileiro de sensoriamento remoto de alta resolução espacial. Após isso, será enviado um documento com a solicitação de propostas  às empresas interessadas em participar do processo. De acordo como presidente da Comissão de Coordenação de Implantação de Sistemas Espaciais (CCISE), Brigadeiro do Ar José Vagner Vital, a previsão é de que a contratação do projeto, que está na fase de viabilidade (análise das alternativas tecnológicas, benefícios e magnitude dos riscos), ocorra ainda no primeiro semestre deste ano. Antes disso, todos os requisitos definidos pelo Grupo de Trabalho ainda precisam ser aprovados pelo Estado-Maior da Aeronáutica (EMAER).

Segundo manifestação do Brigadeiro Vital, em nota da CCISE, a expectativa é de que o novo projeto venha a gerar um impacto econômico positivo – atualmente, o Brasil adquire imagens providas por outros países. No entanto, há ainda necessidade de aprovação de orçamento para a contratação. “Essa é uma fase muito importante para o projeto. Depois de definirmos os detalhes do que nós queremos para a solicitação de propostas, tanto tecnicamente, industrialmente, e em relação à logística, treinamento e conteúdo nacional, ficamos aguardando apenas a luz verde do governo em termos de orçamento, e de plano plurianual, para, em um curto espaço de tempo, selecionar a melhor proposta que atenda aos anseios do Brasil”, afirmou o presidente da CCISE.

Carponis-1

O Carponis-1 é o primeiro satélite brasileiro de sensoriamento remoto de alta resolução espacial e faz parte das constelações do Programa Estratégico de Sistemas Espaciais (PESE), que integra o Programa Espacial Brasileiro. Ele tem capacidade de gerar imagens coloridas com resolução igual a um metro ou menos – ou seja, com mais qualidade, nitidez e precisão, em comparação com as imagens providas pelo satélite sino-brasileiro, o CBERS-4, que pode somente prover imagens em preto e branco com resolução máxima de cinco metros. A previsão é que o novo satélite seja colocado em órbita até 2022.

No âmbito da Defesa e Segurança, o artefato proverá o apoio de inteligência nas operações militares em território nacional e internacional, sobretudo com a identificação e monitoramento constante das áreas utilizadas para práticas ilícitas, como as áreas de fronteira e de alta criminalidade nos grandes centros urbanos. Já como exemplos de utilização por outros órgãos governamentais, destacam-se o monitoramento e a fiscalização mais precisa de áreas de desmatamento, o suporte à produção agrícola e o apoio à fiscalização fundiária. (Com informações da Agência Força Aérea)

Fonte:  – TELETIME News

Share This: