Image Segmentation
Portuguese
English

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.

Downloads last month

-

Downloads are not tracked for this model. How to track
Inference Providers NEW
This model is not currently available via any of the supported Inference Providers.
The model cannot be deployed to the HF Inference API: The model has no library tag.

Dataset used to train Grupo3/T_de_Talhao