|
--- |
|
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. |
