incluindo o readme
#1
by
IagoTavares
- opened
README.md
CHANGED
@@ -1,4 +1,45 @@
|
|
1 |
---
|
2 |
license: mit
|
3 |
---
|
4 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
---
|
2 |
license: mit
|
3 |
---
|
4 |
+
# Projeto de Detecção de Possíveis Áreas de Enchentes
|
5 |
+
Este projeto visa desenvolver um sistema de detecção de áreas propensas a enchentes, utilizando técnicas de aprendizado profundo (deep learning). Para isso, será empregado o dataset Sen1Floods11, que contém dados de radar de abertura sintética (SAR) coletados pelo sensor Sentinel-1 da Agência Espacial Europeia (ESA).
|
6 |
+
|
7 |
+
## Objetivo
|
8 |
+
O objetivo principal é treinar uma rede neural totalmente convolucional (FCNN) para identificar áreas que possam estar sujeitas a enchentes com base nos dados de radar SAR. A detecção de enchentes é de suma importância para prever e mitigar os danos causados por desastres naturais, permitindo uma resposta rápida e eficaz das autoridades competentes.
|
9 |
+
|
10 |
+
## Dataset Sen1Floods11
|
11 |
+
O dataset Sen1Floods11 é composto por imagens SAR em diferentes polarizações, juntamente com máscaras de inundação correspondentes. As imagens são rotuladas manualmente e estão disponíveis para treinamento, teste e validação do modelo.
|
12 |
+
|
13 |
+
## Metodologia
|
14 |
+
Pré-processamento dos Dados: As imagens SAR e suas máscaras de inundação serão pré-processadas para normalização e ajuste de tamanho, garantindo que estejam prontas para alimentar o modelo de rede neural.
|
15 |
+
|
16 |
+
**Treinamento do Modelo**: O modelo FCNN será treinado utilizando o dataset de treinamento, ajustando seus pesos para minimizar uma função de perda definida. Serão realizadas várias iterações (épocas) de treinamento para otimizar o desempenho do modelo.
|
17 |
+
|
18 |
+
**Validação do Modelo**: Após o treinamento, o modelo será avaliado utilizando o dataset de validação, a fim de verificar sua capacidade de generalização e seu desempenho em dados não vistos durante o treinamento.
|
19 |
+
|
20 |
+
**Teste do Modelo**: Por fim, o modelo treinado será testado utilizando o dataset de teste para avaliar sua eficácia na detecção de áreas propensas a enchentes. Serão calculadas métricas de desempenho, como precisão, recall e F1-score, para quantificar a qualidade da detecção.
|
21 |
+
|
22 |
+
# Projeto de Detecção de Possíveis Áreas de Enchentes
|
23 |
+
|
24 |
+
Este projeto utiliza o dataset Sen1Floods11 para treinar uma rede neural totalmente convolucional (FCNN) para detectar áreas de enchentes. O exemplo a seguir treina e valida o modelo com imagens de eventos de enchente rotuladas manualmente. No entanto, o dataset inclui várias outras opções detalhadas abaixo. Para substituir o dataset, basta substituir os arquivos CSV de divisão de treino, teste e validação e baixar o dataset correspondente.
|
25 |
+
|
26 |
+
## Autenticação no Google Cloud Platform
|
27 |
+
|
28 |
+
Para executar este código, você deve conectar seu runtime de notebook a uma GPU.
|
29 |
+
|
30 |
+
```python
|
31 |
+
from google.colab import auth
|
32 |
+
auth.authenticate_user()
|
33 |
+
|
34 |
+
!curl https://sdk.cloud.google.com | bash
|
35 |
+
|
36 |
+
!gcloud init
|
37 |
+
!echo "deb http://packages.cloud.google.com/apt gcsfuse-bionic main" > /etc/apt/sources.list.d/gcsfuse.list
|
38 |
+
!curl https://packages.cloud.google.com/apt/doc/apt-key.gpg | apt-key add -
|
39 |
+
!apt -qq update
|
40 |
+
!apt -qq install gcsfuse
|
41 |
+
```
|
42 |
+
|
43 |
+
## Resultados Esperados
|
44 |
+
Espera-se que o modelo desenvolvido seja capaz de identificar com precisão áreas potencialmente inundadas em imagens de radar SAR. Essa detecção precoce e precisa pode contribuir significativamente para o monitoramento de enchentes e para a tomada de decisões por parte das autoridades competentes, auxiliando na mitigação dos impactos desses eventos naturais.
|
45 |
+
|