Estamos presenciando uma revolução silenciosa no espaço, onde o poder da Inteligência Artificial (IA) está sendo explorado para transformar o monitoramento por satélite e a tomada de decisões em tempo real em áreas críticas, como gerenciamento de desastres e combate ao desmatamento. Pesquisadores conseguiram com êxito treinar um modelo de aprendizado de máquina - um aspecto fundamental da IA - a bordo de um satélite, marcando uma primazia nesse domínio. Esta descoberta foi detalhada em um artigo publicado no servidor arXiv e apresentado na Conferência Internacional de Geociências e Sensoriamento Remoto (IGARSS) em julho de 2023.
Os satélites de sensoriamento remoto são a espinha dorsal de várias atividades significativas, incluindo mapeamento aéreo, previsão do tempo e monitoramento de desmatamento. Contudo, a maioria dos satélites atualmente só tem a capacidade de coletar dados passivamente, sem a capacidade de tomar decisões ou detectar alterações. Como resultado, esses dados devem ser enviados à Terra para serem processados, o que pode demorar várias horas ou até dias. Este atraso limita a resposta rápida a eventos emergentes, como desastres naturais.
Para superar essas limitações, um grupo de pesquisadores liderado pelo estudante de doutorado Vít R?ži?ka, do Departamento de Ciência da Computação da Universidade de Oxford, embarcou na missão de treinar o primeiro programa de aprendizado de máquina no espaço. Em 2022, conseguiram persuadir a missão "Dashing through the Stars" a aceitar suas propostas de projeto para serem realizadas a bordo do satélite ION SCV004, lançado em janeiro do mesmo ano. Durante o outono de 2022, o código do programa foi enviado ao satélite já em órbita.
Os pesquisadores treinaram um modelo simples para detectar mudanças na cobertura de nuvens a partir de imagens aéreas diretamente no satélite, em vez de treiná-lo na Terra. O modelo foi construído com base em uma técnica chamada "few-shot learning", que permite ao modelo aprender as características mais vitais a serem procuradas com apenas algumas amostras de treinamento.
Este novo método apresenta uma vantagem crucial: a capacidade de comprimir dados em representações menores, tornando o modelo mais rápido e eficiente. Durante o treinamento, o modelo RaVAEn compacta grandes arquivos de imagem em vetores de 128 números, mantendo apenas os valores informativos nesse vetor relacionados à mudança que está tentando detectar - neste caso, a presença ou ausência de nuvens.
O resultado é um treinamento extremamente rápido, utilizando um modelo de classificação muito pequeno. A primeira parte do modelo, que compacta as novas imagens, foi treinada na Terra, enquanto a segunda parte, que decide se a imagem contém nuvens ou não, foi treinada diretamente no satélite.
Em circunstâncias normais, o desenvolvimento de um modelo de aprendizado de máquina exigiria várias rodadas de treinamento, utilizando a potência de um cluster de computadores interligados. No entanto, este modelo inovador completou sua fase de treinamento em aproximadamente um segundo e meio, utilizando mais de 1,3 mil imagens.
Em termos práticos, quando testado com novos dados, o modelo conseguiu detectar automaticamente a presença de uma nuvem em cerca de um décimo de segundo, analisando uma cena equivalente a quase 450 campos de futebol.
Segundo os pesquisadores, este modelo poderá ser facilmente adaptado para realizar tarefas diferentes e usar outros tipos de dados. Com esse avanço, eles planejam desenvolver modelos mais sofisticados que possam distinguir automaticamente entre mudanças de interesse, como inundações, incêndios, desmatamento e alterações naturais, como a mudança na cor das folhas ao longo das estações.
Além disso, a equipe está empenhada em desenvolver modelos para dados mais complexos, como imagens de satélites hiperespectrais. Isso poderia permitir, por exemplo, a detecção de vazamentos de metano, com implicações significativas para o combate às mudanças climáticas.
Este artigo foi escrito com informações fornecidas pela Universidade de Oxford.
Escrito por:
