///
“Uma imagem vale mais que mil palavras”, já dizia o filósofo chinês Confúcio (552 a.C. – 489 a.C.). E o que dizer de milhares, milhões de imagens geradas por monitoramento remoto a partir de satélites? Elas são capazes de gerar informações sobre diversas áreas do nosso cotidiano. Mas quantos olhos seriam necessários para processar tantos dados? É aí que entra a inteligência artificial, com as técnicas de aprendizado de máquina e de aprendizado profundo, revolucionando a forma como os computadores veem e entendem os registros da superfície terrestre.
O emprego de imagens nos estudos da superfície da Terra é chamado de sensoriamento remoto. E, como já diz o nome, essa tecnologia permite obter informações, sem a necessidade de contato físico direto do indivíduo com o objeto de análise. Para tal, são usados sensores a bordo de diferentes plataformas, como balões, aeronaves e drones. Mas foi há cinquenta anos, mais exatamente em 1972, que sensores foram embarcados em satélites e alcançaram abrangência global e com periodicidade constante.
Esse avanço transformou por completo a visão humana do nosso planeta e impactou, de uma só vez, vários campos da ciência. De fato, a aquisição periódica de dados na escala global, por meio de imagens, permite mapear os diversos elementos que compõem a superfície terrestre, os oceanos e a atmosfera e entender os processos de mudanças naturais e causadas pelos humanos.
As séries temporais compostas de sucessivas imagens do mesmo local formam um filme que demonstra as variações sazonais de vegetações, os ciclos de crescimento das plantações, os regimes de cheias e as vazantes dos rios, as variações climáticas, o derretimento da calota polar, o crescimento das cidades, os desflorestamentos, entre outros. O acompanhamento desse grande número de sensores em operação aumenta o volume de dados que cresce exponencialmente ao longo do tempo, que consiste em um dos mais expressivos big data (banco de macrodados) construídos pela humanidade.
Mas, neste cenário, surge uma questão: como processar esse gigantesco volume de imagens, com vistas a extrair informações com alta acurácia e de forma rápida para atender as diversas áreas de conhecimento. Tornou-se, portanto, um desafio desenvolver métodos automatizados com base em inteligência artificial para o processamento desse big data de imagens e obter a eficiência da visão humana.
A visão humana possui uma notável proficiência na identificação de objetos e no estabelecimento de conexões semânticas, o que permite abstrair representações visuais que consideram diversos fatores de mudanças, como, por exemplo, geometria, variação de fundo e oclusão. Além disso, a interpretação de uma cena não se limita a identificar os objetos presentes, mas também a efetuar uma pormenorizada caracterização semântica das inter-relações dos objetos.
Um grande desafio para a aplicação de métodos de aprendizagem profunda é a necessidade de elaboração de um grande banco de dados para minimizar os erros e obter interpretações de alta qualidade. Para tal, é necessário fazer previamente, com o trabalho humano, a descrição detalhada dos objetos de interesse nas cenas.
Após o exposto, é possível concluir que, apesar de serem tecnologias complexas e desconhecidas à população em geral, a aprendizagem de máquina e a aprendizagem profunda usadas no sensoriamento remoto já fazem parte do cotidiano de todos nós. E o mais importante: contribuindo para avanços em diferentes setores, como, por exemplo, segurança, agricultura e proteção do meio ambiente.
É correto inferir do texto que o trabalho humano precede a aplicação de métodos de aprendizagem profunda.