Edit model card

Model Card para o Modelo

O modelo utiliza dados do satellite-image-deep-learning/DOTAv2 para, por meio do modelo pré-treinado Mask R-CNN, segmentar talhões e classificar a probabilidade de alagamento de regiões produtivas agrícolas, a fim de empoderar o produtor com o conhecimento da probabilidade de sua produção alagar e, com isso, ter perdas financeiras.

Detalhes do Modelo

Para utilizar o Mask R-CNN e o NDVI para segmentar talhões e classificar a probabilidade de alagamento, é necessário seguir uma abordagem estruturada que envolve várias etapas desde a preparação dos dados até a implementação dos modelos e a avaliação dos resultados. Abaixo está uma descrição detalhada de como isso pode ser feito:

Descrição do Processo

1. Coleta e Preparação dos Dados

Imagens de Satélite: Utilize imagens de satélite do satellite-image-deep-learning/DOTAv2, que oferecem as bandas espectrais necessárias (vermelha e infravermelha próxima) para calcular o NDVI. Essas imagens serão a base tanto para a segmentação dos talhões quanto para a análise do NDVI.

Anotações dos Talhões: Obtenha ou crie anotações de talhões agrícolas. Estas anotações são geralmente fornecidas como máscaras binárias, onde cada pixel é marcado para indicar se faz parte de um talhão ou não.

2. Cálculo do NDVI

O NDVI (Normalized Difference Vegetation Index) é calculado utilizando as bandas vermelha (Red) e infravermelha próxima (NIR) das imagens de satélite. Este índice ajuda a identificar a saúde da vegetação, onde valores próximos a 1 indicam vegetação densa e saudável, enquanto valores próximos a -1 indicam água ou áreas sem vegetação.

3. Segmentação dos Talhões com Mask R-CNN

Configuração e Treinamento do Mask R-CNN:

  • O Mask R-CNN é utilizado para segmentar os talhões nas imagens de satélite. Este modelo é adequado para detectar objetos em uma imagem e gerar máscaras de segmentação precisas.
  • Primeiro, configure o Mask R-CNN com uma arquitetura adaptada para segmentação de talhões. Crie uma classe personalizada para carregar e preparar o dataset de talhões, que inclui imagens e suas respectivas máscaras.
  • Treine o modelo com imagens de treino e validação. O treinamento envolve a aprendizagem das características dos talhões a partir das anotações fornecidas.

4. Preparação dos Dados de Treinamento para Classificação

Extração de Áreas Segmentadas e Cálculo de NDVI:

  • Utilize o modelo Mask R-CNN treinado para segmentar os talhões nas imagens de satélite.
  • Para cada talhão segmentado, calcule o valor médio de NDVI. Estes valores de NDVI serão usados como características (features) para o modelo de classificação.

Etiquetagem dos Dados:

  • Etiquete os talhões com base em dados históricos de alagamentos. Cada talhão recebe uma etiqueta binária indicando se ele foi ou não afetado por alagamentos no passado.

5. Treinamento do Modelo de Classificação

Construção do Modelo de Classificação:

  • Desenvolva um modelo de rede neural (pode ser uma CNN ou uma rede densa) para classificar a probabilidade de alagamento dos talhões. O modelo toma como entrada os valores de NDVI calculados para cada talhão.
  • Configure o modelo para saída binária (alagado ou não alagado) e compile-o com um otimizador apropriado e uma função de perda (por exemplo, binary cross-entropy).

Treinamento do Modelo:

  • Divida os dados em conjuntos de treino e validação. Treine o modelo utilizando os valores de NDVI e as etiquetas de alagamento.

6. Inferência e Avaliação

Segmentação e Classificação em Novas Imagens:

  • Utilize o Mask R-CNN treinado para segmentar talhões em novas imagens de satélite.
  • Calcule o NDVI para as áreas segmentadas.
  • Utilize o modelo de classificação para prever a probabilidade de alagamento para cada talhão segmentado.

Avaliação dos Resultados:

  • Avalie a precisão do modelo utilizando métricas como acurácia, precisão, recall e F1-score.
  • Ajuste os modelos conforme necessário com base nos resultados da avaliação para melhorar a precisão e a robustez das previsões.

Conclusão

A combinação do Mask R-CNN e do NDVI permite uma abordagem eficaz para segmentar talhões agrícolas e classificar a probabilidade de alagamento. O Mask R-CNN fornece segmentações precisas dos talhões, enquanto o NDVI oferece informações cruciais sobre a vegetação, que são utilizadas para a classificação do risco de alagamento. Esse processo integrado ajuda a monitorar e gerenciar riscos agrícolas de maneira mais eficiente e precisa.

  • Desenvolvido por:

    • Gabriel Caetano.
    • Gabriel Carneiro.
    • Sarah Ribeiro.
    • Thomas Brand.
    • Pedro Munhoz.
    • Pedro Romão.
  • Tipo do Modelo: maskRCNN

  • Linguagem: Python.

  • Licença: cdla-permissive-2.0

Métrica

A acurácia será a métrica principal adotada.

Resultados

É esperado que o modelo entregue a probabilidade de determinado talhão produtivo sofrer alagamentos decorrentes de chuvas intensas, para que o produtor possa ser alertado antes do desastre natural ocorrer.

Downloads last month

-

Downloads are not tracked for this model. How to track
Inference Examples
Unable to determine this model's library. Check the docs .

Dataset used to train munhozs/poderada-sem6-m10-grupo2