README.md

---
license: apache-2.0
datasets:
- MITCriticalData/Sentinel_L1C_2016_2021
language:
- pt
- en
pipeline_tag: image-segmentation
---

# PROJETO CultivaMelhor - Projeto Detecção de Áreas com probabilidade de alagamento 

Feito por: André Júnior, Jonas Sales, Leandro Custódio, Mateus Rafael, Melyssa Rojas

## Introdução
  Nossa proposta é baseada em imagems de satélite, a qual usaríamos para determinar áreas de risco de inundação. O projeto utilizaria
como parâmetro uma previsão do nível de chuva média da região e imagens de satélite do Sentinel-2.

# Problema
  Soluções tecnológicas que possam ser utilizadas não apenas para
melhorar a precisão da identificação dos talhões, mas também para auxiliar na detecção de áreas com alto risco de inundação para auxilio urbano de comunidades locais e fornecimento de dados para recuperação rápida das áreas afetadas por desastres naturais.

## Solução
  A solução será uma plataforma web, na qual é possível inputar as leituras do satélite, bem como a previsão do nível de chuva na determinada região.
Após a execução do modelo, poderá ser visualizada uma imagem contendo um mapa de calor referente as chances de ocorrer uma inundação.  

## Estratégia selecionada
  Para realizar a predição, nosso modelo de visão computacional utilizará a estratégia da segmentação, pois com o uso desta abordagem, podemos classificar
as áreas em específico com uma precisão de píxel a pixel. 

## Open Model Utilizado YOLOv8
Motivos para usar o YOLOv8 ser um bom modelo para usarmos:
- Adaptabilidade às imagens do satélite;
- Detecção de múltiplos objetos;
- Detecção em tempo real das informações

## Open Data

Foi utilizado o Open Data do Satelite do Sentinel LC1 do Hugging Face, dentre os motivos:

- Não ocorreu a correção atmosférica, ou seja as imagens irão conter as nuvens (item principal da predição) sem transformação sob esses dados;

## Entradas
- Imagens de satélite do Sentinel-2;
- Informações de previsão meteorológica.

## Funcionamento do Modelo

Devido ao contexto se tratar de uma tarefa de segmentação semântica, e lembrando que está tarefa classifica pixel por pixel, 
o modelo segmentaria as regiões decorridas da imagem e colocaria uma distribuição de probabilidade analogando com as previsões de chuva. 

Portanto, com a saída de uma matriz com as probabilidades do pixel, será necessário analisar com dados meterológicos para poder ter maior precisão
da classificação da intensidade da chuva de tal região.

### Funções:

Modelo de Segmentação Semântica:

- Recebe imagens do satélite e proporciona como saída distribuição de probabilidades diante da intensidade de chuva;

Comparação com dados metereológicos:

- Saída do modelo acima com a comparação de dados meterológicos para maior precisão da classificação da chuva diante de tal região, e assim avaliar
o risco de desastres no Rio Grande do Sul;

## Saídas
  O modelo retornaria uma imagem contendo um 'mapa de calor', na qual as áreas com mais probabilidade de ocorrer o desastres teriam
cores mais escuras.