---
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.