Junho foi um m\u00eas de conversas. Passamos por tr\u00eas eventos que reuniram p\u00fablicos diferentes, mas todos orbitavam o mesmo futuro: Web Summit Rio, MundoGEO Connect em S\u00e3o Paulo e EO Summit em Londres. A energia em cada sala era \u00fanica: r\u00e1pida e cheia de fundadores no Rio, profundamente t\u00e9cnica e geoespacial em S\u00e3o Paulo, e com foco direto em observa\u00e7\u00e3o da Terra em Londres. Tr\u00eas semanas muito interessantes, cheias de escuta, troca, aprendizado e muitas, muitas perguntas. De n\u00f3s e para n\u00f3s. <\/p>\n\n
Dados sint\u00e9ticos de sat\u00e9lite ainda s\u00e3o novidade para muitos, inclusive para algumas pessoas que trabalham com observa\u00e7\u00e3o da Terra todos os dias, e h\u00e1 uma curiosidade genu\u00edna sobre o que s\u00e3o e onde se encaixam. Em vez de deixar essas respostas em conversas r\u00e1pidas nos estandes, reunimos as cinco perguntas que mais nos fizeram e respondemos cada uma delas adequadamente abaixo. <\/p>\n\n
Essa foi a primeira pergunta em quase todos os lugares e, em geral, a mais importante de acertar. A palavra \u201csint\u00e9tico\u201d muitas vezes \u00e9 recebida com certa desconfian\u00e7a, por ser associada a algo falso, adulterado ou aleat\u00f3rio. Mas, na verdade, ocorre o oposto. Dados sint\u00e9ticos de sat\u00e9lite s\u00e3o uma imagem criada de modo a ser f\u00edsica e estatisticamente fiel \u00e0 imagem que um sensor real de sat\u00e9lite registraria sobre uma determinada cena. Trata-se de uma imagem de sat\u00e9lite criada artificialmente que n\u00e3o \u00e9 apenas visualmente id\u00eantica a uma imagem do mundo real, mas tamb\u00e9m produzida de forma que, at\u00e9 nos m\u00ednimos detalhes, mesmo um modelo de aprendizado de m\u00e1quina altamente sofisticado a trate e aprenda com ela como faria com uma imagem capturada por sat\u00e9lite. O b\u00f4nus: n\u00f3s escolhemos as condi\u00e7\u00f5es \u2014 e \u00e9 exatamente a\u00ed que est\u00e1 o valor. Com isso, temos flexibilidade e liberdade para criar um conjunto de dados equilibrado, mas sem depender das condi\u00e7\u00f5es do mundo real. <\/p>\n\n
Em vez de esperar um sat\u00e9lite passar pelo lugar certo no momento certo, n\u00f3s mesmos geramos a cena. A diferen\u00e7a em rela\u00e7\u00e3o a uma imagem gen\u00e9rica de IA \u00e9 igualmente importante. N\u00e3o estamos produzindo algo que apenas pare\u00e7a plaus\u00edvel ao olho humano. Estamos reproduzindo como luz, terreno, materiais e um sensor realmente interagem, para que o resultado se comporte como dado real quando um modelo aprende com ele. <\/p>\n\n
A vantagem de gerar uma cena \u00e9 que sabemos tudo sobre ela. Cada objeto, limite e tipo de superf\u00edcie \u00e9 conhecido porque n\u00f3s o colocamos ali, o que significa que os r\u00f3tulos v\u00eam \u201cde gra\u00e7a\u201d e s\u00e3o exatos. Isso raramente \u00e9 verdade em imagens reais. Assim, dados sint\u00e9ticos s\u00e3o menos um substituto da realidade e mais uma forma de produzir realidade sob demanda, com verdade de terreno perfeita associada. <\/p>\n\n
Um questionamento razo\u00e1vel \u2014 e n\u00f3s o ouvimos com frequ\u00eancia de pessoas que trabalham muito pr\u00f3ximas de acervos reais. A resposta honesta \u00e9 que imagens reais s\u00e3o abundantes nas propor\u00e7\u00f5es erradas. H\u00e1 uma quantidade enorme de \u00e1reas agr\u00edcolas comuns, sem nuvens, em latitudes m\u00e9dias, e muito pouco das condi\u00e7\u00f5es raras que os modelos mais precisam aprender. <\/p>\n\n
Pense no que realmente importa operacionalmente: uma doen\u00e7a espec\u00edfica em uma cultura em est\u00e1gio inicial, um tipo espec\u00edfico de embarca\u00e7\u00e3o no mar, uma enchente no seu pico, a frente de um inc\u00eandio florestal, um derramamento de \u00f3leo ou danos estruturais ap\u00f3s um terremoto. Esses eventos s\u00e3o escassos no registro hist\u00f3rico. Quando aparecem, algu\u00e9m ainda precisa encontr\u00e1-los e rotul\u00e1-los manualmente, o que \u00e9 lento e caro \u2014 e a rotulagem humana introduz seus pr\u00f3prios erros. <\/p>\n\n
Dados sint\u00e9ticos nos permitem produzir, sob demanda, conjuntos de dados balanceados que incluem casos raros e dif\u00edceis, j\u00e1 rotulados com precis\u00e3o. Podemos variar deliberadamente esta\u00e7\u00e3o, ilumina\u00e7\u00e3o, sensor e geografia, em vez de torcer para que o acervo contenha a diversidade de que precisamos. Nada disso substitui imagens reais. Os melhores resultados quase sempre v\u00eam da combina\u00e7\u00e3o dos dois: usando dados reais para ancoragem e dados sint\u00e9ticos para preencher as lacunas que eles n\u00e3o conseguem cobrir. <\/p>\n\n
Lidamos com nuvens gerando-as n\u00f3s mesmos, em vez de apenas remov\u00ea-las \u2014 uma pequena invers\u00e3o que nos d\u00e1 algo que acervos reais quase nunca oferecem. Nuvens s\u00e3o um problema constante, e essa pergunta surgiu em todos os eventos. Em qualquer momento, aproximadamente dois ter\u00e7os do planeta est\u00e3o sob nuvens, de modo que uma grande parcela das imagens \u00f3pticas de sat\u00e9lite fica parcial ou totalmente obscurecida. Para quem depende de uma vis\u00e3o clara do solo, isso \u00e9 um problema persistente e caro. <\/p>\n\n
Esta \u00e9 uma das \u00e1reas em que mais nos concentramos. Geramos dados sint\u00e9ticos de nuvens criados especificamente para dominar a detec\u00e7\u00e3o de nuvens e treinar modelos de remo\u00e7\u00e3o de nuvens. Como criamos cada cena do zero, sabemos exatamente onde cada nuvem e sua sombra est\u00e3o, incluindo cirros finos e n\u00e9voa sutil, que s\u00e3o notoriamente dif\u00edceis de os modelos reconhecerem. Isso fornece m\u00e1scaras perfeitamente precisas para treinar modelos de detec\u00e7\u00e3o. <\/p>\n\n
De forma igualmente \u00fatil, podemos renderizar a mesma cena duas vezes: uma com nuvens e outra sem, como um par correspondente. Esse pareamento \u00e9 quase imposs\u00edvel de obter em acervos reais, onde raramente se captura uma cena id\u00eantica sob ambas as condi\u00e7\u00f5es com verdade de terreno confi\u00e1vel. Com dados pareados, um modelo de remo\u00e7\u00e3o de nuvens tem um alvo limpo para o qual aprender, em vez de uma aproxima\u00e7\u00e3o. O resultado s\u00e3o modelos que conseguem sinalizar, mascarar e reconstruir \u00e1reas obscurecidas com muito mais confiabilidade do que imagens isoladas permitiriam. <\/p>\n\n
Sim, mas nunca por f\u00e9: um modelo treinado com imagens sint\u00e9ticas s\u00f3 conquista confian\u00e7a quando \u00e9 medido contra dados reais \u2014 e h\u00e1 um motivo espec\u00edfico pelo qual esse teste pode ser aprovado. Essa foi a pergunta mais incisiva que recebemos, e com raz\u00e3o. Talvez seja a pergunta mais importante, porque dados sint\u00e9ticos s\u00f3 valem alguma coisa se transferirem para a realidade. <\/p>\n\n
A diferen\u00e7a entre dados sint\u00e9ticos e reais tem um nome \u2014 a lacuna de dom\u00ednio \u2014 e fech\u00e1-la \u00e9 o n\u00facleo do trabalho. N\u00e3o presumimos que um modelo treinado com imagens geradas simplesmente ter\u00e1 bom desempenho em campo. N\u00f3s medimos. O desempenho \u00e9 avaliado em imagens reais reservadas para teste, e a s\u00edntese \u00e9 ajustada para que as propriedades estat\u00edsticas e f\u00edsicas das nossas cenas correspondam ao que sensores reais produzem, desde caracter\u00edsticas de ru\u00eddo at\u00e9 resposta espectral. <\/p>\n\n
Tamb\u00e9m somos honestos sobre o que s\u00e3o dados sint\u00e9ticos. Eles s\u00e3o uma ferramenta, n\u00e3o um atalho em torno da realidade, e seu valor depende inteiramente da sua fidelidade. Dados sint\u00e9ticos de baixa qualidade treinam modelos de baixa qualidade. Por isso tratamos a valida\u00e7\u00e3o contra a verdade de terreno real como parte do processo, e n\u00e3o como algo secund\u00e1rio, e por isso os melhores pipelines geralmente combinam imagens sint\u00e9ticas e reais. O objetivo nunca \u00e9 convencer algu\u00e9m de que dados sint\u00e9ticos s\u00e3o m\u00e1gicos. \u00c9 mostrar, com medi\u00e7\u00e3o, que um modelo de fato aprendeu o que precisa. <\/p>\n\n
Ao final de cada conversa, as perguntas geralmente ficavam mais pr\u00e1ticas. A resposta curta \u00e9 que dados sint\u00e9ticos de observa\u00e7\u00e3o da Terra ajudam em qualquer situa\u00e7\u00e3o em que se precisa de um modelo robusto, mas n\u00e3o h\u00e1 imagens reais rotuladas suficientes para as condi\u00e7\u00f5es que mais importam \u2014 o que, na pr\u00e1tica, abrange muito mais \u00e1reas do que as pessoas esperam. <\/p>\n\n
Na agricultura, isso significa treinar modelos para identificar estresse, doen\u00e7as ou tipos espec\u00edficos de cultura mais cedo e em condi\u00e7\u00f5es mais variadas do que o acervo oferece. Em seguros e finan\u00e7as, isso apoia a avalia\u00e7\u00e3o de risco e de danos para eventos que, por natureza, s\u00e3o raros. No dom\u00ednio mar\u00edtimo, ajuda a detectar e classificar embarca\u00e7\u00f5es, inclusive os casos incomuns que conjuntos de dados reais mal cont\u00eam. Na resposta a desastres, permite que equipes preparem modelos para enchentes, inc\u00eandios e danos estruturais antes que esses eventos aconte\u00e7am, em vez de correr atr\u00e1s de dados durante eles. <\/p>\n\n
A mesma l\u00f3gica se aplica a defesa e seguran\u00e7a, monitoramento de infraestrutura e trabalhos clim\u00e1ticos. Onde o fator limitante \u00e9 dado, e n\u00e3o ambi\u00e7\u00e3o, imagens sint\u00e9ticas ampliam o que \u00e9 poss\u00edvel: mais casos de borda, conjuntos de treinamento mais equilibrados e testes confi\u00e1veis para situa\u00e7\u00f5es perigosas, raras ou simplesmente ausentes do que j\u00e1 foi capturado. Esse \u00e9 o fio condutor que conecta todos os usos que discutimos em junho. <\/p>\n\n
Se o(a) senhor(a) nos fez uma dessas perguntas no \u00faltimo m\u00eas, agradecemos a conversa. Se tiver uma sexta que n\u00e3o abordamos aqui, \u00e9 essa que mais gostar\u00edamos de ouvir a seguir. <\/p>\n","protected":false},"excerpt":{"rendered":"
Dados sint\u00e9ticos de sat\u00e9lite surgiram em quase todas as conversas ao longo de tr\u00eas eventos em junho. Aqui est\u00e3o as cinco perguntas que mais nos fizeram, respondidas de forma adequada: o que s\u00e3o, por que importam quando j\u00e1 existem imagens reais, como lidam com a cobertura de nuvens, se transferem para o mundo real e onde s\u00e3o, de fato, \u00fateis. <\/p>\n","protected":false},"author":5,"featured_media":14598,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[100,108,101],"tags":[103,102,104,109],"class_list":["post-14597","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ciencia","category-natureza","category-tecnologia","tag-dados-sinteticos","tag-ia","tag-observacao-da-terra","tag-satelite"],"acf":[],"_links":{"self":[{"href":"https:\/\/anotherearth.ai\/pt-br\/wp-json\/wp\/v2\/posts\/14597","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/anotherearth.ai\/pt-br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/anotherearth.ai\/pt-br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/anotherearth.ai\/pt-br\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/anotherearth.ai\/pt-br\/wp-json\/wp\/v2\/comments?post=14597"}],"version-history":[{"count":1,"href":"https:\/\/anotherearth.ai\/pt-br\/wp-json\/wp\/v2\/posts\/14597\/revisions"}],"predecessor-version":[{"id":14599,"href":"https:\/\/anotherearth.ai\/pt-br\/wp-json\/wp\/v2\/posts\/14597\/revisions\/14599"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/anotherearth.ai\/pt-br\/wp-json\/wp\/v2\/media\/14598"}],"wp:attachment":[{"href":"https:\/\/anotherearth.ai\/pt-br\/wp-json\/wp\/v2\/media?parent=14597"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/anotherearth.ai\/pt-br\/wp-json\/wp\/v2\/categories?post=14597"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/anotherearth.ai\/pt-br\/wp-json\/wp\/v2\/tags?post=14597"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}