README.md

---
datasets:
- MITCriticalData/Sentinel_L1C_2016_2021
language:
- pt
library_name: keras
tags:
- agriculture
- technology
- deep learning
---
# PROJETO CultIVE - Segmentação de imagens de satélite Sentinel-2 para identificar áreas de cultivo vulneráveis a mudanças climáticos

Feito por: Yasmin Vitória Rocha

## Introdução
A chamada "agricultura inteligente" é um termo que começou a ficar popular no início do século e atualmente vem sendo abordado fortemente em pesquisas e propostas de soluções em busca de tornar a agricultura mais tecnológica e sustentável. O artigo [Climate-Smart Agriculture Amidst Climate Change to Enhance Agricultural Production: A Bibliometric Analysis](https://www.mdpi.com/2073-445X/12/1/50) mostra como as alterações climáticas tem impactado a produtividade agrícola global e identifica como o maior problema ambiental que podemos enfrentar e, por ser o principal motor econômico de muitas nações, o impacto deixa de ser apenas ambiental e começa a ser econômico e social. 
Desso modo, este trabalho busca contribuir para a inovação no setor da agricultura, propondo uma ferramenta que identifica áreas de cultivo por meio da técnica de segmentação e que visa mitigar as chances de áreas serem assoladas por questões climáticas como inundações, de forma que auxilie a tomada de decisão antecipada.

## Problemática
Um exemplo de problema climático mais recente é o famoso caso do Rio Grande do Sul, segundo a Confederação Nacional dos Municípios, o setor de agricultura do estado chega a casa de R$1,3 bilhão.
Os impactos gerados pelas inundações são impactos de longo prazo, assim como qualquer outro envolvendo aspectos climáticos, são produções e colheitas perdidas, afetando futuras safras e inclusive equipamentos essenciais para o campo.
O artigo [A Contemporary Review on Deep Learning Models for Drought Prediction](https://www.mdpi.com/2071-1050/15/7/6160), aborda sobre secas, não necessariamente sobre inundações, porém, ambos possuem algo em comum, a sua natureza imprevísivel. Tal estudo foca na precisão precisa de eventos climáticos como a seca e caracteriza a importância do Deep Learning para reduzir problemas complexos como esse.
Além disso, a capacidade de reconstrução após tais eventos são ainda mais difíceis de lidar, mostrando que o auxílio de tecnologias precisas torna-se uma peça chave de prevenção ao invés de remediação. 

## Solução
A CultIVE seria uma plataforme web de visualização o qual inicialmente mapeará as principais regiões do Brasil que estão vulneráveis a problemas climáticos como inundações.
Por trás da disponibilidade da visualização por meio de mapas de cor, é utilizado a técnica de segmentação de imagens para identificar as áreas de cultivo, através do processamento e análise das imagens, o sistema classifica os terrenos com base na susceptibilidade de maior e menor risco.

## Possibilidades de mitigação com a implementação da solução
Com a implementação do CultIVE, é possível:

- Identificar áreas propensas a inundações ou secas antes que esses eventos ocorram, permitindo a realocação de culturas ou a implementação de medidas preventivas, como a construção de sistemas de drenagem e de irrigação sustentável em caso de secas;
- Rotação de culturas, alterando o padrão de plantio para posicionar culturas mais resistentes como arroz em áreas de maior risco e culturas mais sensíveis em áreas seguras;
- Auxiliar na implementação de técnicas de agricultura como optar por plantar em contornos naturais do terreno que reduz o escoamento e absorção da água pelo solo ou cultivar em áreas elevadas que evitam plantas ficarem submersas pela água.

## Estratégia e viabilidade
A estratégia para implementar e escalar o CultIVE é dividida em várias fases, cada uma desenhada para validar a tecnologia e maximizar o impacto sobre a agricultura sustentável:

1. Desenvolvimento e Validação do Protótipo:

- Desenvolver um protótipo inicial usando conjuntos de dados de imagens de satélite disponíveis;
- Realizar testes pilotos em áreas selecionadas com históricos conhecidos de eventos climáticos extremos para ajustar e calibrar os modelos.

2. Expansão e Adaptação:

- Expandir gradualmente a cobertura do sistema para incluir diversas regiões agrícolas, adaptando os modelos às especificidades locais de cada região.
- Implementar um processo iterativo de feedback com usuários finais (agricultores, gestores de risco agrícola) para aprimorar a precisão e usabilidade da solução.
  
3. Parcerias e Colaboração:
- Estabelecer parcerias com instituições governamentais ou acadêmicas e de pesquisa para acesso a tecnologias e dados;
- Colaborar com órgãos governamentais e organizações não-governamentais para garantir alinhamento com políticas agrícolas e ambientais e para fomentar a adoção do sistema.

## Tecnologias e técnicas utilizadas

Uso de modelos de Deep Learning:

- U-Net com backbone VGG16 para uma segmentação eficaz das imagens de satélite Sentinel-2, identificando áreas vulneráveis;
- Data augmentation para aumentar os dados do modelo às variações e melhorar a iluminação, cor e textura.

Processamento de Dados:
- Preprocessing para normalização e correção de distorções das imagens.
  
Infraestrutura:
- Uso de GPUs para processamento e inferência de dados em tempo real;
- APIs e microserviços para integrar com outros sistemas caso necessário.

## Funcionamento
O funcionamento é baseado em um fluxo contínuo de entrada e análise de dados:

Coleta de Dados:
- Entradas como recebimento de imagens de satélite Sentinel-2.
  
Processamento de Imagens:
- As imagens são pré-processadas para correção e normalização;
- Aplicação de modelos de CNN com U-Net + VGG16 para a segmentação e identificação de áreas de risco.

Análise e Geração de Relatórios:
- Os dados processados são analisados para identificar tendências e padrões;
- A saída será num formato de matriz que após ter a extração dos pixels, que em seguida tendo isso, possibilita disponibilizar relatórios detalhados ou mapas de risco, mostrando áreas vulneráveis e sugerindo medidas preventivas conforme a cor, se for uma cor mais intensa, indica a probabilidade de maior risco, se for mais clara, indica menor risco.

Disseminação das Informações:
- A visualizações são distribuídos através de uma plataforma baseada em nuvem;
- A ideia é ser uma interface compreensível e intuitiva que permite qualquer um visualizae facilmente e planejar respectivas ações.

Obs: a escolha de U-Net + VGG16 se deve não só pelo projeto de identificação de talhões que faz tal uso, como pode ser adaptado como solução alternativa ajustado ao contexto de previsão de áreas propensas a eventos climáticos.
Além disso, a escolha também se deve com embasamento científico, artigos como [An attention-based U-Net for detecting deforestation within satellite sensor imagery](https://www.sciencedirect.com/science/article/pii/S0303243422000113), [Mapping Post-Earthquake Landslide Susceptibility Using U-Net, VGG-16, VGG-19, and Metaheuristic Algorithms](https://www.mdpi.com/2072-4292/15/18/4501) e [Comparative performance analysis of simple U-Net, residual attention U-Net, and VGG16-U-Net for inventory inland water bodies](https://www.researchgate.net/publication/376645755_Comparative_performance_analysis_of_simple_U-Net_residual_attention_U-Net_and_VGG16-U-Net_for_inventory_inland_water_bodies), não necessariamente estão ajustados ao escopo proposto, porém, serviram como base na possibilidade de identificar regiões em contextos diferentes.

Outra observação é que, foi utilizado o Open Data do Sentinel do próprio Hugging Face isso porque elimina a necessidade de coletar dados ou obter imagens que muitas vezes atribui a custos maiores, sendo uma economia devido as vantagens de um Open Data, principalmente para um projeto piloto.