Não é nenhuma novidade que o sensoriamento remoto pode ser considerado um dos maiores avanços já produzidos pela ciência e tecnologia relacionados ao estudo da superfície da Terra. Os satélites de observação terrestre fornecem dados cobrindo as mais variadas porções do espectro eletromagnético em diferentes resoluções espaciais, temporais e espectrais. É por isso que o sensoriamento remoto tem sido aplicado com sucesso em diversas áreas do conhecimento há décadas.
Nos últimos anos, o interesse nesta tecnologia aumentou significativamente. Sua exploração passou de desenvolvimentos conduzidos por agências de inteligência do governo para aqueles realizados por empresas e usuários em geral. Além disso, as recentes inovações em drones também vêm fornecendo uma solução poderosa para o mercado. Estes sistemas aéreos custam substancialmente menos e oferecem ganhos potenciais em resolução espacial, devido às altitudes mais baixas em que os levantamentos podem ser realizados.
Conteúdo
Um conceito relativamente novo
De modo geral, a coleta de dados em campo é prática comum entre empresas. No entanto, além de este tipo de abordagem possuir limitações, consome uma grande quantidade de recursos humanos e financeiros, o que torna a prática muitas vezes inviável. O desenvolvimento de técnicas computacionalmente eficientes para transformar a grande quantidade de dados de sensoriamento remoto existente em informação útil é fundamental. E o melhor: tem estado sob holofotes nos últimos tempos principalmente no que se refere à automatização do processo de análise de imagens. Grande parte das demandas que utilizam imagens de satélites ou de drones exige interpretações visuais demoradas e onerosas. Isto não é possível de ser feito em grande escala sem o uso de técnicas baseadas em inteligência artificial (AI).
Apesar de o termo AI e seus conceitos existirem desde os anos 1960, é considerado novo no mercado. Pode-se dizer, em um contexto geral, que estas tecnologias têm sido amplamente aplicadas aos problemas de ciência e engenharia por quase duas décadas. Porém, sua aplicação na área de sensoriamento remoto é relativamente nova. Dentro da grande área de AI, diferentes métodos baseados em Machine Learning (ML), ou mesmo em Deep Learning (DL). tem provado ser muito eficientes. Um dos exemplos é o processamento de imagens ópticas (hiperespectrais e multiespectrais) e de radar na extração de diferentes tipos de cobertura da terra. Bem como extração de estradas, edificações, entre outros, sendo, desse modo, capaz de resolver uma gama de problemas relacionados ao monitoramento do ambiente como um todo.
Aliando inteligência artificial e imagens de satélite
Com a disponibilização cada vez maior de dados, o uso da AI vem ganhando mais atenção em diferentes setores, sobretudo devido ao seu potencial para alavancar big data. A aplicação de técnicas de sensoriamento remoto, em conjunto com as de AI, representa uma oportunidade para a realização de análises avançadas de gerenciamento dos sistemas de produção, melhorando assim sua eficiência. Graças aos avanços, agora se pode quantificar as informações com precisão e integrar big data em ferramentas de monitoramento e gerenciamento preditivo, favorecendo diversos setores.
A classificação é a técnica mais comumente usada para processamento de dados de sensoriamento remoto. Nesse contexto, os mapas da cobertura da terra, por exemplo, são umas das entradas mais essenciais ao se trabalhar com o monitoramento do ambiente. As abordagens de classificação baseadas em ML se tornaram o principal foco da literatura de sensoriamento remoto recentemente. Os algoritmos de ML são capazes de modelar assinaturas espectrais complexas, e podem aceitar uma variedade de dados de entrada. Ademais, esses métodos tendem a reproduzir os processos com maior acurácia, especialmente para dados complexos com muitas variáveis preditoras.
Vários estudos demonstram o sucesso de algoritmos de ML para os mais diversos fins. Por exemplo: mapeamento de culturas, classificação de espécies, mapeamento de cobertura da terra, classificação de áreas úmidas, censo florestal, monitoramento de safra, gestão de recursos hídricos, exploração mineral, estimativa do estresse hídrico da cultura, entre outros. Uma vez que as abordagens de classificação são aperfeiçoadas, outros setores que antes não faziam uso do sensoriamento remoto agora podem se beneficiar. O setor de energia elétrica é um desses casos.
A tecnologia e o setor de energia elétrica
A energia representa um insumo essencial à sociedade e, no Brasil, o sistema elétrico permite o intercâmbio da energia produzida em todas as regiões do país. Como principais desafios enfrentados dentro deste setor, pode-se citar o georreferenciamento preciso de torres, o furto de energia, invasões ou construções irregulares nas chamadas “faixas de servidão” das linhas de transmissão, entre outros. Até pouco tempo atrás, a fiscalização em solo era a única forma de monitoramento utilizada pelas empresas, mesmo gerando altos custos e com baixíssima eficácia. Além de muitas vezes se mostrar inviável pela dificuldade de acesso ou extensão da área. Nesse sentido, fica evidente que encontrar formas de monitoramento alternativas e eficientes é uma necessidade urgente.
As faixas de servidão consistem no espaço em solo que é ocupado pelas linhas de transmissão de energia elétrica. Por ser um território com potencial de geração de riscos à população, esses locais têm inúmeras restrições quanto à sua utilização, dada sua destinação: proteger o sistema elétrico e a sociedade. O grande desafio ligado ao uso do sensoriamento remoto para este tipo de monitoramento está relacionado a questões técnicas intrínsecas às características dos produtos versus custos.
Como é feito X como fazer?
Tecnicamente, a extração de informações da superfície por imagens ópticas de satélites é diretamente dependente da presença de nuvens. Isto se acentua ainda mais em regiões tropicais. Uma alternativa para contornar esta limitação é o uso de imagens de radar que, de modo geral apresentam necessidades de processamentos e interpretações mais complexas as de sensores ópticos.
Quando se fala em monitoramento contínuo de baixo custo, a resolução espacial das imagens é uma das principais restrições. Uma resolução espacial grosseira pode impedir a identificação dos alvos de interesse e/ou ocasionar erros na interpretação de imagens. Em contrapartida, imagens de satélite de alta resolução espacial costumam apresentar um valor elevado. Dependendo da aplicação, o mesmo pode ocorrer com imagens de drones. Apesar da elevada resolução espacial, são capazes de cobrir regiões pequenas, sendo muitas vezes necessários diversos voos para que toda a região seja imageada. Pode-se dizer que o maior obstáculo, ainda, é encontrar o ponto de equilíbrio ideal entre o custo e a confiabilidade dos resultados obtidos.
O que esperar do futuro?
Felizmente, com o advento de novos sensores, é possível, cada vez mais, atingir acurácia elevada em classificações de imagens com custos reduzidos. O programa CBERS é um ótimo exemplo. Nascido de uma parceria entre Brasil e China, fornece imagens de satélite desde 1999 que são utilizadas no monitoramento do desmatamento da Amazônia, além de estudos e mapeamentos nas áreas de recursos hídricos, agricultura, vegetação, planejamento urbano, entre outras. Os produtos CBERS têm sido alvo de muitos estudos e trabalhos técnicos ao longo dos anos e, muito recentemente, começaram a ser distribuídas as imagens CBERS 04A. Desse modo, o Brasil passou a ser o distribuidor do melhor produto gratuito de satélite, com até 8 metros de resolução espacial na câmera WPM (chegando a até 2 metros em fusão com a banda pancromática).
Por trás da ascensão do uso de AI e imagens de satélite estão três principais tendências: a maior disponibilidade de dados de sensoriamento remoto, o avanço da inteligência artificial (particularmente ML e DP) e a disponibilidade de grande poder computacional. A revolução dos dados geoespaciais oferece uma promessa tentadora: oportunidades quase ilimitadas quando combinadas com a imaginação. Uma vez que as possibilidades são infinitas, é difícil pensar em qualquer setor empresarial ou entidade governamental que não possa se beneficiar do uso conjunto de sensoriamento remoto e AI.
Artigo produzido pela desenvolvedora da Pix Force Pâmela Käfer.
Referências
- Eskandari, R., Mahdianpari, M., Mohammadimanesh, F., Salehi, B., Brisco, B., & Homayouni, S. (2020). Meta-Analysis of Unmanned Aerial Vehicle (UAV) Imagery for Agro-Environmental Monitoring Using Machine Learning and Statistical Models. Remote Sensing, 12(21), 3511.
- Site da Aneel
- Paul Hahn, (2019). The European Business Review https://www.europeanbusinessreview.com/three-trends-driving-the-geospatial-ai-revolution/
- Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., & Landivar-Bowles, J. (2021). The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems. Current Opinion in Biotechnology, 70, 15–22. doi:10.1016/j.copbio.2020.09.003
- Kussul, N., Lavreniuk, M., Skakun, S., & Shelestov, A. (2017). Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data. IEEE Geoscience and Remote Sensing Letters, 14(5), 778–782. doi:10.1109/lgrs.2017.2681128
- Lary, D. J., Alavi, A. H., Gandomi, A. H., & Walker, A. L. (2016). Machine learning in geosciences and remote sensing. Geoscience Frontiers, 7(1), 3–10. doi:10.1016/j.gsf.2015.07.003
- Lee, C. A., Gasster, S. D., Plaza, A., Chang, C.-I., & Huang, B. (2011). Recent Developments in High Performance Computing for Remote Sensing: A Review.
- Martin, P. G., Connor, D. T., Estrada, N., El-Turke, A., Megson-Smith, D., Jones, C. P., … & Scott, T. B. (2020). Radiological Identification of Near-Surface Mineralogical Deposits Using Low-Altitude Unmanned Aerial Vehicle. Remote Sensing, 12(21), 3562.
- Maxwell, A. E., Warner, T. A., & Fang, F. (2018). Implementation of machine-learning classification in remote sensing: an applied review. International Journal of Remote Sensing, 39(9), 2784–2817.
- Valente, S. (2015). Sensoriamento remoto no estudo de ocupação irregular em faixa de servidão de linha de transmissão de energia elétrica (Master’s thesis, Universidade Federal de Pernambuco).
