Usando visão computacional para analisar imagens de satélite

Cada imagem da Terra tirada por satélites em órbita a centenas de quilômetros acima da sua superfície é o resultado de extensos esforços de pesquisa e engenharia. Essas imagens não são apenas instantâneos — elas são peças vitais de dados visuais que nos ajudam a entender e cuidar do nosso planeta.

As imagens de satélite capturam vistas detalhadas da superfície da Terra, destacando desde florestas e cidades até rios e terras agrícolas. Em junho de 2024, mais de 10.000 satélites ativos orbitam o nosso planeta, tornando-os uma parte essencial da nossa infraestrutura global. No entanto, analisar essas imagens manualmente é frequentemente complexo e demorado.

Curiosamente, a visão computacional (CV), um ramo da inteligência artificial (IA), pode ser usada para analisar automaticamente imagens de satélite de maneira semelhante à forma como os humanos interpretam imagens e vídeos. A IA de visão pode ajudar a detetar padrões, monitorizar alterações e extrair insights com rapidez e precisão.

Os insights obtidos com a análise de imagens de satélite podem intervir para enfrentar vários desafios, tais como o rastreamento de desmatamento, a monitorização das alterações climáticas, a melhoria das práticas agrícolas e a resposta a desastres naturais. Neste artigo, exploraremos como a visão computacional pode ser usada para compreender e analisar melhor as imagens de satélite.

Fig 1. Uma visão geral de imagens de satélite.

O que são imagens de satélite?#

As imagens de satélite envolvem a captura de imagens da superfície da Terra utilizando sensores de satélite e câmaras. Ao contrário das imagens tradicionais, as imagens de satélite cobrem áreas vastas, desde cidades a países inteiros, e oferecem detalhes de alta resolução até ao nível do metro. Permitem a monitorização de alterações ambientais, desenvolvimento urbano e uso do solo em áreas extensas.

Além das imagens em si, as imagens de satélite geralmente também incluem dados georreferenciados. Esses dados garantem mapeamento e análise precisos. Rastrear mudanças nas imagens de satélite e seus dados ao longo do tempo fornece insights valiosos sobre ecossistemas, padrões climáticos e atividades humanas.

Aqui está uma rápida visão geral dos diferentes tipos de imagens de satélite e as aplicações únicas que elas suportam:

• Imagem ótica: Este método captura luz visível e comprimentos de onda de infravermelho próximo, de forma semelhante a como o olho humano percebe a luz. É ideal para monitorizar o uso do solo, a saúde da vegetação e o desenvolvimento urbano, mas requer céus limpos e luz do dia para uma imagem eficaz.
• Imagem por radar: Usa radar de abertura sintética (SAR) para enviar e receber ondas de rádio, capturando imagens de alta resolução independentemente das condições climáticas ou da hora do dia. É especialmente útil para resposta a desastres, mapeamento de terreno e monitoramento de mudanças nas características da superfície.
• Imagem térmica: Os sensores térmicos detetam a radiação infravermelha emitida como calor a partir da superfície da Terra. É utilizada para rastrear incêndios florestais, monitorizar a atividade geotérmica e estudar ilhas de calor urbanas e variações de temperatura.
• Imagem hiperespectral: Dados em centenas de bandas espectrais estreitas são usados para analisar a composição e a saúde do solo, da água e da vegetação. Fornece insights detalhados sobre condições ambientais, gestão de recursos e aplicações como exploração mineral e monitoramento de poluição.

Fig 2. Tipos de imagens de satélite.

Capturando imagens de satélite a partir de satélites de observação da Terra#

Para ter uma ideia melhor do que as imagens de satélite envolvem, é importante entender que diferentes satélites são construídos para propósitos específicos. Por exemplo, eles usam sensores montados em satélites geoestacionários ou em órbita polar. Os satélites geoestacionários permanecem fixos sobre uma única localização na Terra ao corresponder à sua rotação, tornando-os ideais para monitoramento contínuo. Em contraste, os satélites de órbita polar passam sobre os polos, cobrindo gradualmente todo o planeta conforme a Terra gira abaixo deles.

Fig 3. Satélites polares e geoestacionários em órbita ao redor da Terra.

Essa distinção é importante porque diferentes aplicações dependem de tipos específicos de imagens de satélite para atender às suas necessidades. Por exemplo, os satélites geoestacionários são ideais para tarefas que exigem observação constante, como monitoramento climático e comunicação em tempo real.

Por outro lado, os satélites de órbita polar são mais adequados para cobertura global, tornando-os fundamentais para estudos ambientais, rastreamento climático e mapeamento de alterações geográficas em grande escala.

O básico do processamento de imagens de satélite#

Agora que já cobrimos o que são imagens de satélite, vamos considerar o que acontece quando um satélite captura um conjunto de imagens. O verdadeiro obstáculo reside em transformar estas imagens brutas em algo significativo. Ao processar e analisar cuidadosamente os dados, podemos extrair insights valiosos que revelam detalhes importantes sobre o nosso planeta.

Pré-processamento de imagens de satélite#

O pré-processamento é o primeiro passo ao trabalhar com dados de satélite, concentrando-se na limpeza e correção de imagens brutas para torná-las utilizáveis e precisas para análise. Aqui estão algumas técnicas fundamentais usadas para refinar imagens de satélite e garantir que forneçam informações fiáveis:

• Mapeamento do mundo real: As imagens de satélite são alinhadas com mapas do mundo real corrigindo distorções e identificando marcos geográficos.
• Redução de ruído: Modelos de aprendizagem automática são usados para identificar e remover nuvens analisando comprimentos de onda de luz, separando as nuvens da terra para obter imagens mais claras.
• Calibração de dados: Para manter a precisão, os pixéis da imagem são ajustados para um nível padrão, e a correção atmosférica reduz as distorções causadas por partículas e dispersão de luz.

Visão computacional e imagens de satélite#

Após o pré-processamento de imagens de satélite, técnicas de visão computacional podem ser usadas para extrair insights valiosos dos dados. Modelos de visão computacional, como o Ultralytics YOLO11, podem analisar conteúdo visual aproveitando grandes conjuntos de dados de imagens de satélite para treino. Isto ajuda os modelos a reconhecer padrões e características numa variedade de imagens.

Aqui estão alguns exemplos de tarefas de visão computacional que podem ajudar a processar e interpretar imagens de satélite:

• Segmentação de imagem: Esta técnica divide a imagem em regiões distintas, como terra, água ou vegetação, para uma análise direcionada e classificação de tipos de superfície.
• Deteção de objetos: É utilizada para identificar e localizar objetos específicos na imagem, tais como edifícios, estradas ou veículos.
• Detecção de Mudanças: Esta tarefa rastreia objetos ou regiões ao longo do tempo comparando imagens capturadas em diferentes intervalos, identificando mudanças como desmatamento, urbanização ou mudanças sazonais.
• Classificação de imagens: Pode ser usada para categorizar tipos de solo com base em padrões aprendidos a partir de dados de treino, permitindo a criação de mapas detalhados para estudo posterior.

Essas técnicas de visão computacional convertem imagens de satélite brutas em dados estruturados e acionáveis, proporcionando uma compreensão mais clara e profunda da superfície da Terra.

Aplicações da análise de imagens de satélite usando IA de visão#

A seguir, vamos percorrer alguns exemplos da vida real de como as imagens de satélite estão redefinindo o nosso mundo, tornando as tarefas diárias mais simples, inteligentes e eficientes.

Monitorando mudanças ambientais com imagens de satélite#

Imagens de satélite e visão computacional são ótimas ferramentas para observar e entender as mudanças ambientais na Terra. Elas nos permitem monitorar vários aspectos do nosso ambiente, incluindo florestas, geleiras e corpos hídricos, a partir do espaço. Com esta tecnologia, podemos rastrear os seguintes fatores ambientais-chave:

• Desmatamento: Os satélites podem ser usados para monitorizar alterações nas florestas, identificar áreas de desmatamento ou reflorestamento e utilizar dados multiespectrais para avaliar a saúde da vegetação e detetar alterações ambientais. O Global Forest Watch, por exemplo, é uma plataforma online que utiliza imagens de satélite para ajudar governos e organizações a tomar ações de conservação atempadas.
• Aquecimento Global: Imagens capturadas por satélites podem fornecer dados vitais sobre geleiras e calotas polares, usando imagens de séries temporais para monitorar o movimento do gelo em climas rigorosos.
• Monitoramento da qualidade do ar e da água: Satélites monitoram a qualidade do ar e da água detectando poluentes como CO2, metano e contaminantes, auxiliando políticas ambientais e gestão de recursos.

Fig 4. Análise de imagens de satélite do Global Forest Watch.

Melhorando a gestão de desastres com imagens de satélite e visão computacional#

A gestão de desastres naturais depende fortemente de imagens de satélite para monitorização em tempo real e recuperação pós-desastre. As imagens de satélite são analisadas durante cheias, furacões e incêndios florestais para detetar alterações ambientais. Após o desastre, as imagens de satélite continuam a desempenhar um papel crucial na avaliação de danos.

Técnicas de visão computacional como a segmentação de instâncias podem ser usadas para identificar áreas de danos significativos, como edifícios colapsados ou paisagens alteradas, comparando imagens tiradas antes e depois de sismos ou tsunamis. Isto permite que as autoridades avaliem a escala da destruição e priorizem os esforços de recuperação de forma mais eficiente.

Um bom exemplo é o projeto Ciseres da Agência Espacial Europeia (ESA), que combina IA com dados de satélite para avaliar impactos de desastres em tempo real, tais como cheias, incêndios florestais e furacões.

Fig 5. Um exemplo de imagens pós-desastre que mostram áreas danificadas com cores: verde para danos leves, laranja para danos graves e vermelho para destruído (Fonte: researchgate.net).

Utilizando imagens de satélite para planejamento urbano e infraestrutura#

As imagens de satélite e a visão computacional podem desempenhar um papel vital no planeamento urbano e no desenvolvimento de infraestruturas. Imagens de alta resolução podem ser usadas para estudar o uso do solo, rastrear o crescimento urbano e apoiar um planeamento municipal mais inteligente. Estas tecnologias também podem melhorar os sistemas de transporte ao analisar padrões de tráfego, desenhar melhores rotas e monitorizar congestionamentos em tempo real. Podem inclusivamente ajudar a detetar construções ilegais comparando imagens atuais e passadas, facilitando a aplicação de códigos de construção por parte das autoridades.

Podes estar a perguntar-te se o crescimento de uma cidade pode realmente ser visto a partir do espaço. Com imagens de satélite e visão computacional, é absolutamente possível. Dubai é um exemplo fascinante. Ao longo das últimas décadas, transformou-se de uma pequena cidade no deserto na década de 1980 numa metrópole global. As imagens de satélite capturam vividamente este crescimento notável, mostrando a expansão das áreas urbanas, alterações no uso do solo e a ascensão de marcos icónicos como o Burj Khalifa e a Palm Jumeirah.

Imagens de satélite e sensoriamento remoto para agricultura de precisão#

Na agricultura, imagens de satélite e visão computacional podem melhorar a gestão de culturas, a produtividade e a sustentabilidade. Em particular, a agricultura de precisão utiliza dados de satélite em tempo real para monitorizar a saúde das culturas. Técnicas de deteção remota ajudam a analisar dados agrícolas em grande escala, permitindo aos agricultores rastrear os níveis de humidade do solo e detetar sinais precoces de stress.

Além disso, a análise de seca e irrigação é importante para o uso eficiente da água na agricultura. Imagens de satélite podem fornecer uma visão detalhada dos níveis de umidade do solo e da saúde da vegetação, ajudando a determinar áreas com irrigação inadequada ou onde os recursos hídricos são escassos.

Um estudo de caso relevante de IA na agricultura é a iniciativa de agricultura de precisão baseada em satélites da ISRO, que ajuda a otimizar a agricultura na Índia utilizando a deteção remota para monitorizar a saúde das culturas, a humidade do solo e a irrigação.

Fig 6. Imagens de satélite e visão computacional podem ser usadas para delinear parcelas agrícolas e classificar culturas.

Tendências futuras em imagens de satélite#

Há muito trabalho empolgante sendo feito no campo das imagens de satélite e visão computacional, com imenso potencial para inovação. Por exemplo, satélites miniaturizados, como CubeSats, estão reformulando o monitoramento da Terra ao fornecer uma maneira acessível, flexível e frequente de capturar imagens de alta resolução. Esses satélites compactos tornam mais fácil rastrear mudanças, variando desde a expansão urbana até mudanças ambientais.

Outro desenvolvimento promissor é a integração de dados da Internet das Coisas (IoT) em tempo real com feeds de satélite, melhorando a capacidade de monitorizar sistemas dinâmicos como redes de transporte e recursos hídricos.

Além disso, avanços na imagem de super-resolução estão avançando as capacidades dos satélites. Ao aproveitar algoritmos sofisticados de IA, esta técnica aprimora detalhes da imagem, combinando múltiplas imagens de baixa resolução em visuais mais claros e de alta resolução. Essa inovação oferece dados mais precisos e cria novas oportunidades para gerenciar recursos naturais e espaços urbanos com eficiência.

Fig 7. Um exemplo de imagem de super-resolução: Toulon, França, aprimorada de 10m para 5m (Fonte: planetobserver.com).

Principais insights sobre imagens de satélite e visão computacional#

A visão computacional e as imagens de satélite estão reimaginando como monitoramos e entendemos nosso planeta. Desde o rastreamento de mudanças ambientais até a melhoria da resposta a desastres, planejamento urbano e agricultura, essas tecnologias fornecem insights valiosos que levam a soluções mais inteligentes e sustentáveis.

Com avanços como a integração de IoT e a imagem de super-resolução, as imagens de satélite estão se tornando ainda mais confiáveis e acessíveis. Essas inovações estão abrindo caminho para uma melhor gestão de recursos e nos ajudando a enfrentar desafios globais com mais eficácia.

Explora o nosso repositório do GitHub para saberes mais sobre IA e ligares-te a à nossa comunidade. Descobre como estamos a impulsionar a inovação em setores como IA na fabricação e IA na saúde.