Junho foi um m\u00c3\u00aas de conversas. Passamos por tr\u00c3\u00aas eventos que reuniram p\u00c3\u00bablicos diferentes, mas todos orbitavam o mesmo futuro: Web Summit Rio, MundoGEO Connect em S\u00c3\u00a3o Paulo e EO Summit em Londres. A energia em cada sala era \u00c3\u00banica: r\u00c3\u00a1pida e cheia de fundadores no Rio, profundamente t\u00c3\u00a9cnica e geoespacial em S\u00c3\u00a3o Paulo, e com foco direto em observa\u00c3\u00a7\u00c3\u00a3o da Terra em Londres. Tr\u00c3\u00aas semanas muito interessantes, cheias de escuta, troca, aprendizado e muitas, muitas perguntas. De n\u00c3\u00b3s e para n\u00c3\u00b3s. <\/p>\n\n
Dados sint\u00c3\u00a9ticos de sat\u00c3\u00a9lite ainda s\u00c3\u00a3o novidade para muitos, inclusive para algumas pessoas que trabalham com observa\u00c3\u00a7\u00c3\u00a3o da Terra todos os dias, e h\u00c3\u00a1 uma curiosidade genu\u00c3\u00adna sobre o que s\u00c3\u00a3o e onde se encaixam. Em vez de deixar essas respostas em conversas r\u00c3\u00a1pidas 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 \u00e2\u20ac\u0153sint\u00c3\u00a9tico\u00e2\u20ac\u009d muitas vezes \u00c3\u00a9 recebida com certa desconfian\u00c3\u00a7a, por ser associada a algo falso, adulterado ou aleat\u00c3\u00b3rio. Mas, na verdade, ocorre o oposto. Dados sint\u00c3\u00a9ticos de sat\u00c3\u00a9lite s\u00c3\u00a3o uma imagem criada de modo a ser f\u00c3\u00adsica e estatisticamente fiel \u00c3\u00a0 imagem que um sensor real de sat\u00c3\u00a9lite registraria sobre uma determinada cena. Trata-se de uma imagem de sat\u00c3\u00a9lite criada artificialmente que n\u00c3\u00a3o \u00c3\u00a9 apenas visualmente id\u00c3\u00aantica a uma imagem do mundo real, mas tamb\u00c3\u00a9m produzida de forma que, at\u00c3\u00a9 nos m\u00c3\u00adnimos detalhes, mesmo um modelo de aprendizado de m\u00c3\u00a1quina altamente sofisticado a trate e aprenda com ela como faria com uma imagem capturada por sat\u00c3\u00a9lite. O b\u00c3\u00b4nus: n\u00c3\u00b3s escolhemos as condi\u00c3\u00a7\u00c3\u00b5es \u00e2\u20ac\u201d e \u00c3\u00a9 exatamente a\u00c3\u00ad que est\u00c3\u00a1 o valor. Com isso, temos flexibilidade e liberdade para criar um conjunto de dados equilibrado, mas sem depender das condi\u00c3\u00a7\u00c3\u00b5es do mundo real. <\/p>\n\n
Em vez de esperar um sat\u00c3\u00a9lite passar pelo lugar certo no momento certo, n\u00c3\u00b3s mesmos geramos a cena. A diferen\u00c3\u00a7a em rela\u00c3\u00a7\u00c3\u00a3o a uma imagem gen\u00c3\u00a9rica de IA \u00c3\u00a9 igualmente importante. N\u00c3\u00a3o estamos produzindo algo que apenas pare\u00c3\u00a7a plaus\u00c3\u00advel 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 \u00c3\u00a9 que sabemos tudo sobre ela. Cada objeto, limite e tipo de superf\u00c3\u00adcie \u00c3\u00a9 conhecido porque n\u00c3\u00b3s o colocamos ali, o que significa que os r\u00c3\u00b3tulos v\u00c3\u00aam \u00e2\u20ac\u0153de gra\u00c3\u00a7a\u00e2\u20ac\u009d e s\u00c3\u00a3o exatos. Isso raramente \u00c3\u00a9 verdade em imagens reais. Assim, dados sint\u00c3\u00a9ticos s\u00c3\u00a3o 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\u00c3\u00a1vel \u00e2\u20ac\u201d e n\u00c3\u00b3s o ouvimos com frequ\u00c3\u00aancia de pessoas que trabalham muito pr\u00c3\u00b3ximas de acervos reais. A resposta honesta \u00c3\u00a9 que imagens reais s\u00c3\u00a3o abundantes nas propor\u00c3\u00a7\u00c3\u00b5es erradas. H\u00c3\u00a1 uma quantidade enorme de \u00c3\u00a1reas agr\u00c3\u00adcolas comuns, sem nuvens, em latitudes m\u00c3\u00a9dias, e muito pouco das condi\u00c3\u00a7\u00c3\u00b5es raras que os modelos mais precisam aprender. <\/p>\n\n
Pense no que realmente importa operacionalmente: uma doen\u00c3\u00a7a espec\u00c3\u00adfica em uma cultura em est\u00c3\u00a1gio inicial, um tipo espec\u00c3\u00adfico de embarca\u00c3\u00a7\u00c3\u00a3o no mar, uma enchente no seu pico, a frente de um inc\u00c3\u00aandio florestal, um derramamento de \u00c3\u00b3leo ou danos estruturais ap\u00c3\u00b3s um terremoto. Esses eventos s\u00c3\u00a3o escassos no registro hist\u00c3\u00b3rico. Quando aparecem, algu\u00c3\u00a9m ainda precisa encontr\u00c3\u00a1-los e rotul\u00c3\u00a1-los manualmente, o que \u00c3\u00a9 lento e caro \u00e2\u20ac\u201d e a rotulagem humana introduz seus pr\u00c3\u00b3prios erros. <\/p>\n\n
Dados sint\u00c3\u00a9ticos nos permitem produzir, sob demanda, conjuntos de dados balanceados que incluem casos raros e dif\u00c3\u00adceis, j\u00c3\u00a1 rotulados com precis\u00c3\u00a3o. Podemos variar deliberadamente esta\u00c3\u00a7\u00c3\u00a3o, ilumina\u00c3\u00a7\u00c3\u00a3o, 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\u00c3\u00aam da combina\u00c3\u00a7\u00c3\u00a3o dos dois: usando dados reais para ancoragem e dados sint\u00c3\u00a9ticos para preencher as lacunas que eles n\u00c3\u00a3o conseguem cobrir. <\/p>\n\n
Lidamos com nuvens gerando-as n\u00c3\u00b3s mesmos, em vez de apenas remov\u00c3\u00aa-las \u00e2\u20ac\u201d uma pequena invers\u00c3\u00a3o que nos d\u00c3\u00a1 algo que acervos reais quase nunca oferecem. Nuvens s\u00c3\u00a3o um problema constante, e essa pergunta surgiu em todos os eventos. Em qualquer momento, aproximadamente dois ter\u00c3\u00a7os do planeta est\u00c3\u00a3o sob nuvens, de modo que uma grande parcela das imagens \u00c3\u00b3pticas de sat\u00c3\u00a9lite fica parcial ou totalmente obscurecida. Para quem depende de uma vis\u00c3\u00a3o clara do solo, isso \u00c3\u00a9 um problema persistente e caro. <\/p>\n\n
Esta \u00c3\u00a9 uma das \u00c3\u00a1reas em que mais nos concentramos. Geramos dados sint\u00c3\u00a9ticos de nuvens criados especificamente para dominar a detec\u00c3\u00a7\u00c3\u00a3o de nuvens e treinar modelos de remo\u00c3\u00a7\u00c3\u00a3o de nuvens. Como criamos cada cena do zero, sabemos exatamente onde cada nuvem e sua sombra est\u00c3\u00a3o, incluindo cirros finos e n\u00c3\u00a9voa sutil, que s\u00c3\u00a3o notoriamente dif\u00c3\u00adceis de os modelos reconhecerem. Isso fornece m\u00c3\u00a1scaras perfeitamente precisas para treinar modelos de detec\u00c3\u00a7\u00c3\u00a3o. <\/p>\n\n
De forma igualmente \u00c3\u00batil, podemos renderizar a mesma cena duas vezes: uma com nuvens e outra sem, como um par correspondente. Esse pareamento \u00c3\u00a9 quase imposs\u00c3\u00advel de obter em acervos reais, onde raramente se captura uma cena id\u00c3\u00aantica sob ambas as condi\u00c3\u00a7\u00c3\u00b5es com verdade de terreno confi\u00c3\u00a1vel. Com dados pareados, um modelo de remo\u00c3\u00a7\u00c3\u00a3o de nuvens tem um alvo limpo para o qual aprender, em vez de uma aproxima\u00c3\u00a7\u00c3\u00a3o. O resultado s\u00c3\u00a3o modelos que conseguem sinalizar, mascarar e reconstruir \u00c3\u00a1reas obscurecidas com muito mais confiabilidade do que imagens isoladas permitiriam. <\/p>\n\n
Sim, mas nunca por f\u00c3\u00a9: um modelo treinado com imagens sint\u00c3\u00a9ticas s\u00c3\u00b3 conquista confian\u00c3\u00a7a quando \u00c3\u00a9 medido contra dados reais \u00e2\u20ac\u201d e h\u00c3\u00a1 um motivo espec\u00c3\u00adfico pelo qual esse teste pode ser aprovado. Essa foi a pergunta mais incisiva que recebemos, e com raz\u00c3\u00a3o. Talvez seja a pergunta mais importante, porque dados sint\u00c3\u00a9ticos s\u00c3\u00b3 valem alguma coisa se transferirem para a realidade. <\/p>\n\n
A diferen\u00c3\u00a7a entre dados sint\u00c3\u00a9ticos e reais tem um nome \u00e2\u20ac\u201d a lacuna de dom\u00c3\u00adnio \u00e2\u20ac\u201d e fech\u00c3\u00a1-la \u00c3\u00a9 o n\u00c3\u00bacleo do trabalho. N\u00c3\u00a3o presumimos que um modelo treinado com imagens geradas simplesmente ter\u00c3\u00a1 bom desempenho em campo. N\u00c3\u00b3s medimos. O desempenho \u00c3\u00a9 avaliado em imagens reais reservadas para teste, e a s\u00c3\u00adntese \u00c3\u00a9 ajustada para que as propriedades estat\u00c3\u00adsticas e f\u00c3\u00adsicas das nossas cenas correspondam ao que sensores reais produzem, desde caracter\u00c3\u00adsticas de ru\u00c3\u00addo at\u00c3\u00a9 resposta espectral. <\/p>\n\n
Tamb\u00c3\u00a9m somos honestos sobre o que s\u00c3\u00a3o dados sint\u00c3\u00a9ticos. Eles s\u00c3\u00a3o uma ferramenta, n\u00c3\u00a3o um atalho em torno da realidade, e seu valor depende inteiramente da sua fidelidade. Dados sint\u00c3\u00a9ticos de baixa qualidade treinam modelos de baixa qualidade. Por isso tratamos a valida\u00c3\u00a7\u00c3\u00a3o contra a verdade de terreno real como parte do processo, e n\u00c3\u00a3o como algo secund\u00c3\u00a1rio, e por isso os melhores pipelines geralmente combinam imagens sint\u00c3\u00a9ticas e reais. O objetivo nunca \u00c3\u00a9 convencer algu\u00c3\u00a9m de que dados sint\u00c3\u00a9ticos s\u00c3\u00a3o m\u00c3\u00a1gicos. \u00c3\u2030 mostrar, com medi\u00c3\u00a7\u00c3\u00a3o, que um modelo de fato aprendeu o que precisa. <\/p>\n\n
Ao final de cada conversa, as perguntas geralmente ficavam mais pr\u00c3\u00a1ticas. A resposta curta \u00c3\u00a9 que dados sint\u00c3\u00a9ticos de observa\u00c3\u00a7\u00c3\u00a3o da Terra ajudam em qualquer situa\u00c3\u00a7\u00c3\u00a3o em que se precisa de um modelo robusto, mas n\u00c3\u00a3o h\u00c3\u00a1 imagens reais rotuladas suficientes para as condi\u00c3\u00a7\u00c3\u00b5es que mais importam \u00e2\u20ac\u201d o que, na pr\u00c3\u00a1tica, abrange muito mais \u00c3\u00a1reas do que as pessoas esperam. <\/p>\n\n
Na agricultura, isso significa treinar modelos para identificar estresse, doen\u00c3\u00a7as ou tipos espec\u00c3\u00adficos de cultura mais cedo e em condi\u00c3\u00a7\u00c3\u00b5es mais variadas do que o acervo oferece. Em seguros e finan\u00c3\u00a7as, isso apoia a avalia\u00c3\u00a7\u00c3\u00a3o de risco e de danos para eventos que, por natureza, s\u00c3\u00a3o raros. No dom\u00c3\u00adnio mar\u00c3\u00adtimo, ajuda a detectar e classificar embarca\u00c3\u00a7\u00c3\u00b5es, inclusive os casos incomuns que conjuntos de dados reais mal cont\u00c3\u00aam. Na resposta a desastres, permite que equipes preparem modelos para enchentes, inc\u00c3\u00aandios e danos estruturais antes que esses eventos aconte\u00c3\u00a7am, em vez de correr atr\u00c3\u00a1s de dados durante eles. <\/p>\n\n
A mesma l\u00c3\u00b3gica se aplica a defesa e seguran\u00c3\u00a7a, monitoramento de infraestrutura e trabalhos clim\u00c3\u00a1ticos. Onde o fator limitante \u00c3\u00a9 dado, e n\u00c3\u00a3o ambi\u00c3\u00a7\u00c3\u00a3o, imagens sint\u00c3\u00a9ticas ampliam o que \u00c3\u00a9 poss\u00c3\u00advel: mais casos de borda, conjuntos de treinamento mais equilibrados e testes confi\u00c3\u00a1veis para situa\u00c3\u00a7\u00c3\u00b5es perigosas, raras ou simplesmente ausentes do que j\u00c3\u00a1 foi capturado. Esse \u00c3\u00a9 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 \u00c3\u00baltimo m\u00c3\u00aas, agradecemos a conversa. Se tiver uma sexta que n\u00c3\u00a3o abordamos aqui, \u00c3\u00a9 essa que mais gostar\u00c3\u00adamos de ouvir a seguir. <\/p>\n","protected":false},"excerpt":{"rendered":"
Dados sint\u00c3\u00a9ticos de sat\u00c3\u00a9lite surgiram em quase todas as conversas ao longo de tr\u00c3\u00aas eventos em junho. Aqui est\u00c3\u00a3o as cinco perguntas que mais nos fizeram, respondidas de forma adequada: o que s\u00c3\u00a3o, por que importam quando j\u00c3\u00a1 existem imagens reais, como lidam com a cobertura de nuvens, se transferem para o mundo real e onde s\u00c3\u00a3o, de fato, \u00c3\u00bateis. <\/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":[],"yoast_head":"\n