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.
