|
--- |
|
license: cdla-permissive-2.0 |
|
datasets: |
|
- satellite-image-deep-learning/DOTAv2 |
|
language: |
|
- pt |
|
metrics: |
|
- accuracy |
|
pipeline_tag: object-detection |
|
tags: |
|
- code |
|
- climate |
|
- maskrcnn |
|
--- |
|
# 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. |
|
|