Proposta CultIVE para agricultura sustentável

README.md

@@ -0,0 +1,78 @@
+# PROJETO CultIVE - Segmentação de imagens de satélite para identificar áreas de cultivo vulneráveis a mudanças climáticos
+
+Feito por: Yasmin Vitória Rocha
+
+## Introdução
+A chamada "agricultura inteligente" é um termo que começou a ficar popular no início do século e atualmente vem sendo abordado fortemente em pesquisas e propostas de soluções em busca de tornar a agricultura mais tecnológica e sustentável. O artigo [Climate-Smart Agriculture Amidst Climate Change to Enhance Agricultural Production: A Bibliometric Analysis](https://www.mdpi.com/2073-445X/12/1/50) mostra como as alterações climáticas tem impactado a produtividade agrícola global e identifica como o maior problema ambiental que podemos enfrentar e, por ser o principal motor econômico de muitas nações, o impacto deixa de ser apenas ambiental e começa a ser econômico e social. 
+Desso modo, este trabalho busca contribuir para a inovação no setor da agricultura, propondo uma ferramenta que identifica áreas de cultivo por meio da técnica de segmentação e que visa mitigar as chances de áreas serem assoladas por questões climáticas como inundações, de forma que auxilie a tomada de decisão antecipada.
+
+## Problemática
+Um exemplo de problema climático mais recente é o famoso caso do Rio Grande do Sul, segundo a Confederação Nacional dos Municípios, o setor de agricultura do estado chega a casa de R$1,3 bilhão.
+Os impactos gerados pelas inundações são impactos de longo prazo, assim como qualquer outro envolvendo aspectos climáticos, são produções e colheitas perdidas, afetando futuras safras e inclusive equipamentos essenciais para o campo.
+O artigo [A Contemporary Review on Deep Learning Models for Drought Prediction](https://www.mdpi.com/2071-1050/15/7/6160), aborda sobre secas, não necessariamente sobre inundações, porém, ambos possuem algo em comum, a sua natureza imprevísivel. Tal estudo foca na precisão precisa de eventos climáticos como a seca e caracteriza a importância do Deep Learning para reduzir problemas complexos como esse.
+Além disso, a capacidade de reconstrução após tais eventos são ainda mais difíceis de lidar, mostrando que o auxílio de tecnologias precisas torna-se uma peça chave de prevenção ao invés de remediação. 
+
+## Solução
+A CultIVE seria uma plataforme web de visualização o qual inicialmente mapeará as principais regiões do Brasil que estão vulneráveis a problemas climáticos como inundações.
+Por trás da disponibilidade da visualização por meio de mapas de cor, é utilizado a técnica de segmentação de imagens para identificar as áreas de cultivo, através do processamento e análise das imagens, o sistema classifica os terrenos com base na susceptibilidade de maior e menor risco.
+
+## Possibilidades de mitigação com a implementação da solução
+Com a implementação do CultIVE, é possível:
+
+- Identificar áreas propensas a inundações ou secas antes que esses eventos ocorram, permitindo a realocação de culturas ou a implementação de medidas preventivas, como a construção de sistemas de drenagem e de irrigação sustentável em caso de secas;
+- Rotação de culturas, alterando o padrão de plantio para posicionar culturas mais resistentes como arroz em áreas de maior risco e culturas mais sensíveis em áreas seguras;
+- Auxiliar na implementação de técnicas de agricultura como optar por plantar em contornos naturais do terreno que reduz o escoamento e absorção da água pelo solo ou cultivar em áreas elevadas que evitam plantas ficarem submersas pela água.
+
+## Estratégia e viabilidade
+A estratégia para implementar e escalar o CultIVE é dividida em várias fases, cada uma desenhada para validar a tecnologia e maximizar o impacto sobre a agricultura sustentável:
+
+1. Desenvolvimento e Validação do Protótipo:
+
+- Desenvolver um protótipo inicial usando conjuntos de dados de imagens de satélite disponíveis publicamente.
+- Realizar testes pilotos em áreas selecionadas com históricos conhecidos de eventos climáticos extremos para ajustar e calibrar os modelos.
+
+2. Expansão e Adaptação:
+
+- Expandir gradualmente a cobertura do sistema para incluir diversas regiões agrícolas, adaptando os modelos às especificidades locais de cada região.
+- Implementar um processo iterativo de feedback com usuários finais (agricultores, gestores de risco agrícola) para aprimorar a precisão e usabilidade da solução.
+  
+3. Parcerias e Colaboração:
+- Estabelecer parcerias com instituições governamentais ou acadêmicas e de pesquisa para acesso a tecnologias e dados;
+- Colaborar com órgãos governamentais e organizações não-governamentais para garantir alinhamento com políticas agrícolas e ambientais e para fomentar a adoção do sistema.
+
+## Tecnologias e técnicas utilizadas
+
+Uso de modelos de Deep Learning:
+
+- U-Net com backbone VGG16 para uma segmentação eficaz das imagens de satélite, identificando áreas vulneráveis;
+- Data augmentation para aumentar os dados do modelo às variações e melhorar a iluminação, cor e textura.
+
+Processamento de Dados:
+- Preprocessing para normalização e correção de distorções das imagens.
+  
+Infraestrutura:
+- Uso de GPUs para processamento e inferência de dados em tempo real;
+- APIs e microserviços para integrar com outros sistemas caso necessário.
+
+## Funcionamento
+O funcionamento é baseado em um fluxo contínuo de entrada e análise de dados:
+
+Coleta de Dados:
+- Entradas como recebimento de imagens de satélite.
+  
+Processamento de Imagens:
+- As imagens são pré-processadas para correção e normalização;
+- Aplicação de modelos de CNN com U-Net + VGG16 para a segmentação e identificação de áreas de risco.
+
+Análise e Geração de Relatórios:
+- Os dados processados são analisados para identificar tendências e padrões;
+- A saída será num formato de matriz que após ter a extração dos pixels, que em seguida tendo isso, possibilita disponibilizar relatórios detalhados ou mapas de risco, mostrando áreas vulneráveis e sugerindo medidas preventivas conforme a cor, se for uma cor mais intensa, indica a probabilidade de maior risco, se for mais clara, indica menor risco.
+
+Disseminação das Informações:
+- A visualizações são distribuídos através de uma plataforma baseada em nuvem;
+- A ideia é ser uma interface compreensível e intuitiva que permite qualquer um visualizae facilmente e planejar respectivas ações.
+
+Obs: a escolha de U-Net + VGG16 se deve não só pelo projeto de identificação de talhões que faz tal uso, como pode ser adaptado como solução alternativa ajustado ao contexto de previsão de áreas propensas a eventos climáticos.
+Além disso, a escolha também se deve com embasamento científico, artigos como [An attention-based U-Net for detecting deforestation within satellite sensor imagery](https://www.sciencedirect.com/science/article/pii/S0303243422000113), [Mapping Post-Earthquake Landslide Susceptibility Using U-Net, VGG-16, VGG-19, and Metaheuristic Algorithms](https://www.mdpi.com/2072-4292/15/18/4501) e [Comparative performance analysis of simple U-Net, residual attention U-Net, and VGG16-U-Net for inventory inland water bodies](https://www.researchgate.net/publication/376645755_Comparative_performance_analysis_of_simple_U-Net_residual_attention_U-Net_and_VGG16-U-Net_for_inventory_inland_water_bodies), não necessariamente estão ajustados ao escopo proposto, porém, serviram como base na possibilidade de identificar regiões em contextos diferentes.
+
+