Satélites miniaturizados e deep learning, tecnologia que faz a área de sensoriamento remoto aplicado ao mapeamento dar saltos no tempo

CRÉDITO: CUBESAT / NASA

Com os avanços tecnológicos na área de sensoriamento remoto aplicado ao mapeamento, monitoramento e reconhecimento rápido de alvos, temos testemunhado a quebra sucessiva de paradigmas, sendo o principal desafio aprimorar, cada vez mais, a capacidade de se tratar grandes volumes de dados de forma precisa e ágil, atendendo a diversas demandas. Isso envolve soluções que consideram desde a aquisição de dados até a disponibilização de informações confiáveis, passando por vários tipos de processamento.

Um dos avanços recentes nesta área está associado à concepção do padrão de construção de CubeSat, satélites miniaturizados cujas dimensões básicas são de 10cm x 10cm x 10cm. As características diferenciadoras desses satélites funcionais não se limitam ao fato de serem pequenos e leves, mas também por apresentarem baixo custo na comparação com satélites “convencionais”. A tecnologia, embora apresente a desvantagem da baixa qualidade radiométrica, abre possibilidades de usos que se beneficiam de maiores resoluções espaçotemporais, que passam a ser atendidas por constelações de nanossatélites, algo impossível há pouquíssimo tempo.

Mas ainda é preciso evoluir, incluindo o desenvolvimento de meios para extrair informações úteis das observações de pixels ao longo do tempo de forma refinada. Algumas das abordagens adotadas têm investigado o uso de métodos baseados em Máquinas de Vetores de Suporte e Redes Neurais Convolucionais, focando exclusivamente nas dimensões espaciais para a construção de mapas temáticos de ‘cobertura e uso da terra’, desconsiderando, ou explorando muito pouco, a correlação temporal existente entre observações de uma mesma área ao longo de diferentes registros no tempo. Essas informações valiosas, potencializadas pelo avanço na aquisição de dados bastante detalhados espaçotemporalmente, aparecem como um novo propulsor para o surgimento de novas abordagens de classificação. E agora é a vez da deep learning.

Ao se falar de aprendizado de máquina, e, a partir daí, de deep learning, temos que estar convictos da importância da etapa de treinamento, cuja curva de aprendizagem é um dos fatores que demanda mais tempo em todo o processo – afinal, dentre outros fatores, exige a identificação explícita de amostras previamente rotuladas pelo intérprete. Ou seja, é necessário que seja feita, manual e integralmente, a segmentação semântica de várias regiões, o que se configura numa operação extremamente cara em termos de recursos humanos. Mas é a partir desta “verdade” que se construirá toda a rede de conhecimento.

Existem diferentes algoritmos baseados nesta lógica, que inicia no treinamento e migra para a predição de ocorrências em novas áreas, fator de arranque para lidar com áreas grandes e complexas. Apesar do método ainda apresentar falsos positivos e falsos negativos em seus resultados, há um reconhecimento significativo do potencial desses algoritmos para o monitoramento contínuo de grandes áreas, como é o caso de aplicações voltadas ao desmatamento, à previsão de safras e às queimadas.

É fato que imagens orbitais de alta resolução espaçotemporal oferecem um nível de detalhamento inédito, ressaltando informações antes ocultas em resoluções mais grosseiras. Esses novos padrões poderão auxiliar uma abordagem de classificação automatizada, reduzindo a quantidade de falsos positivos e falsos negativos no mapeamento. A maior frequência temporal aumenta também a probabilidade de se obter registros com menor contaminação por nuvens. Por outro lado, a natureza e o grande volume de dados do Remote Sensing Big Data tornam inviável o tratamento das imagens por intérpretes humanos especializados em inspeção visual, o que faz imprescindível a mudança de paradigma caso o objetivo almejado seja produzir mapeamentos de qualidade e em larga escala.