Introdução
A GeoInova tem desenvolvido um conjunto robusto de tecnologias voltadas ao processamento inteligente e automatizado de imagens de satélite, com o objetivo de ampliar o acesso a análises geoespaciais de alta qualidade e baixo custo. A solução proposta se baseia em uma arquitetura modular composta por três motores principais que atuam de forma encadeada e sinérgica: um motor de melhoramento de imagem, um motor de remoção de nuvens, e um motor de detecção de mudanças com classificação semântica. Essa infraestrutura é sustentada por redes neurais convolucionais profundas, modelos GANs (Redes Geradoras Adversárias), e integração entre sensores multiespectrais ópticos (Sentinel-2) e de radar (Sentinel-1/SAR).
O desenvolvimento dessa tecnologia foi viabilizado por meio de apoio à pesquisa (CNPq) aplicada, com investimento em infraestrutura computacional e coleta massiva de dados amostrais, além da colaboração com grandes empresas usuárias e parceiros de nuvem. Seu foco é atender às necessidades de monitoramento territorial, urbano e rural com alto nível de automação, rapidez de entrega e compatibilidade com sistemas de tomada de decisão georreferenciada.
1. Melhoramento de Imagem (Super-Resolução)
A etapa de super-resolução tem como propósito essencial converter imagens de média resolução (como as do Sentinel-2, que possuem 10 metros por pixel nas bandas visíveis) em imagens com aparência visual e precisão geométrica equivalente a imagens de 1 metro por pixel. Esse salto qualitativo é obtido através de uma rede adversária chamada HIGAN (Hiper Image GAN), treinada com uma base de mais de 400 mil pares de imagens de baixa e alta resolução, cobrindo zonas urbanas, rurais, industriais e de vegetação nativa.
- Modelo: HIGAN (Hiper Image GAN)
- Resolução de entrada: 10 metros (Sentinel-2, bandas B2 a B8A)
- Resolução de saída: 1 metro (simulada)
- Bandas processadas: todas as 13 bandas do Sentinel-2 (VIS, NIR, SWIR)
- Preservação espectral: fidelidade espectral > 95%, assegurando uso em índices vegetativos como NDVI, EVI e NBR
- Tecnologias utilizadas: GAN, SRGAN, ResNet, TensorFlow + CUDA
- Tempo de processamento: ~4 minutos por cena em GPU Tesla T4
- Saídas: GeoTIFF, COG (Cloud-Optimized GeoTIFF), PNG com georreferenciamento
A versatilidade do modelo permite sua aplicação em pipelines existentes, oferecendo melhoria visual para uso em inspeção humana, bem como resolução computacional para extração de feições e análises espectrais.
2. Remoção de Nuvens (CleanClouds)
Nuvens são um dos maiores desafios práticos para o uso operacional de imagens de satélite em tempo quase-real. Para lidar com essa limitação, a GeoInova desenvolveu o motor CleanClouds, que combina a informação de textura da imagem SAR (Sentinel-1) com a imagem RGB/NIR (Sentinel-2) para reconstruir, via rede neural, regiões obstruídas por nuvens.
- Técnica de fusão: redes convolucionais com atenção espacial para combinação entre SAR e RGB
- Entrada requerida: par temporal Sentinel-1 (VV/VH) + Sentinel-2 (B2 a B4)
- Algoritmo base: Encoder-Decoder CNN com realce de contorno por gradiente
- Resultado: imagem RGB/NIR reconstruída com preenchimento espectral coerente
- Precisão esperada: remoção de até 92% das regiões nubladas com erro espectral < 5%
O modelo foi treinado com base em imagens multitemporais do Centro-Oeste e Sudeste do Brasil, incluindo padrões de nuvem convectiva, cirrus e camadas de neblina.
3. Detecção de Mudanças com Classificação Semântica
A etapa final do pipeline é responsável por identificar automaticamente onde e o que mudou entre duas imagens da mesma região em diferentes datas. O motor de detecção de mudanças integra um classificador supervisionado, baseado em CNNs, com uma etapa de pós-processamento semântico para rotular a mudança identificada com base em um dicionário de 12 classes.
- Modelo: CNN Encoder-Decoder com ResNet-34 + classificação por Random Forest embutido
- Entradas: duas imagens RGB/NIR (antes e depois), alinhadas ou não (com warping)
- Versão atual: v1.5.0
- Precisão global média (F1-score): 52,4%
Classes identificadas e precisão (v1.5.0):
| Classe | Precisão (%) | Melhorias vs v1.3.0 |
|---|---|---|
| Recuperação da vegetação | 50.0 | +5.0 pp |
| Alteracão de vegetação | 58.3 | +3.3 pp |
| Cicatriz de queimadas | 100.0 | = |
| Construção | 40.0 | -10.0 pp |
| Recurso hídrico alterado | 75.0 | +70.0 pp |
| Solo exposto | 79.1 | +48.1 pp |
| Silvicultura | 100.0 | +100.0 pp |
| Nuvem | 87.5 | -0.5 pp |
| Sombra | 85.7 | -0.2 pp |
| Estrada | 0.0 | = |
| Sem mudança | 38.2 | +38.2 pp |
- Métricas adicionais:
- Macro avg (F1-score): 51.5%
- Weighted avg (F1-score): 52.4%
Os resultados podem ser exportados em shapefile, kml e kmz para visualização em WebGIS, shapefiles vetoriais para uso em SIGs, ou tabelas com resumos estatísticos por polígono (por exemplo, percentual de solo exposto em uma área minerada).