Descoberta de conteúdo em catálogos de imagens de sensoriamento remoto

Resumo

De acordo com as definições iniciais do termo big data, em que aparece a geração de novos dados de forma frequente em pelo menos 3 fatores (volume de dados cada vez maior, velocidade na criação de novos dados, e variedade/diversidade de dados) conseguimos enquadrar nesta definição as imagens de sensoriamento remoto (usualmente chamadas imagens de satélite). Desde os primeiros conjuntos de dados existentes, remontando ao satélite Landsat-1, lançado nos anos 70, aos PetaBytes gerados anualmente pela constelação Sentinel. Para lidar, de forma sistemática, com esta imensidão de dados, são necessários processos automáticos, que envolvem a programação de algoritmos de banco de dados, geoprocessamento, processamento de imagens, e reconhecimento de padrões. A integração destas diferentes áreas de trabalho tem sido chamada atualmente de spatial data science, apesar de não apresentar muitas novidades em relação às técnicas clássicas. Entretanto, a disponibilização de estruturas computacionais modernas, relacionadas com processamento gráfico mais potente e paralelo, está permitindo pesquisas na linha de redes neurais com arquiteturas profundas (comumente chamadas de Deep Learning). Este conceito, amplamente estudado a partir de um passado recente, permite a assimilação de grandes bases de dados (no caso desta proposta, imagens) para tarefas de reconhecimento de padrões, com taxas de acerto superiores a outros métodos difundidos na literatura (como árvores de decisão, ou máquinas de vetores de suporte). Esta proposta apresenta a continuidade do já finalizado projeto FAPESP 2017/24086-2, que avançou na geração de algoritmos para calcular metadados de imagens de satélite relacionados ao conteúdo presente nas imagens. Esta continuidade está na inclusão de métodos de Deep Learning para refinar o reconhecimento dos alvos presentes nas imagens geradas e disponibilizadas pelos satélites de sensoriamento remoto produzidos pelo Instituto Nacional de Pesquisas Espaciais (INPE), a saber CBERS-4, CBERS-4A e Amazonia-1. Além da técnica, a proposta se aprofunda em alvos específicos, como áreas queimadas, focos de incêndio em áreas de vegetação, deslizamentos de terra e alagamentos em áreas urbanas. (AU)