.
Pela primeira vez, um projeto liderado pela Universidade de Oxford treinou um modelo de aprendizado de máquina no espaço sideral, a bordo de um satélite. Essa conquista pode revolucionar os recursos dos satélites de sensoriamento remoto, permitindo o monitoramento em tempo real e a tomada de decisões para uma variedade de aplicações.
Os dados coletados por satélites de sensoriamento remoto são fundamentais para muitas atividades importantes, incluindo mapeamento aéreo, previsão do tempo e monitoramento do desmatamento. Atualmente, a maioria dos satélites só pode coletar dados passivamente, pois não estão equipados para tomar decisões ou detectar mudanças. Em vez disso, os dados precisam ser retransmitidos para a Terra para serem processados, o que normalmente leva várias horas ou até dias. Isso limita a capacidade de identificar e responder a eventos que surgem rapidamente, como um desastre natural.
Para superar essas restrições, um grupo de pesquisadores liderado pelo aluno do DPhil Vít Růžička (Departamento de Ciência da Computação, Universidade de Oxford), assumiu o desafio de treinar o primeiro programa de aprendizado de máquina no espaço sideral. Durante o ano de 2022, a equipa apresentou com sucesso a sua ideia à missão Dashing through the Stars, que tinha aberto um concurso para propostas de projetos a serem realizados a bordo do satélite ION SCV004, lançado em janeiro de 2022. Durante o outono de 2022, a equipa uplinked o código para o programa para o satélite já em órbita.
Os pesquisadores treinaram um modelo simples para detectar mudanças na cobertura de nuvens a partir de imagens aéreas diretamente a bordo do satélite, em contraste com o treinamento no solo. O modelo foi baseado em uma abordagem chamada aprendizado de poucos tiros, que permite que um modelo aprenda os recursos mais importantes a serem procurados quando ele tem apenas algumas amostras para treinar. Uma vantagem importante é que os dados podem ser compactados em representações menores, tornando o modelo mais rápido e eficiente.
Vít Růžička explicou: ‘O modelo que desenvolvemos, chamado RaVAEn, primeiro comprime os grandes arquivos de imagem em vetores de 128 números. Durante a fase de treinamento, o modelo aprende a manter apenas os valores informativos neste vetor; as que se relacionam com a alteração que está tentando detectar (neste caso, se há nuvem presente ou não). Isso resulta em treinamento extremamente rápido devido a ter apenas um modelo de classificação muito pequeno para treinar.’
Enquanto a primeira parte do modelo, para comprimir as imagens recém-vistas, era treinada no solo, a segunda parte (que decidia se a imagem continha nuvens ou não) era treinada diretamente no satélite.
Normalmente, desenvolver um modelo de aprendizado de máquina exigiria várias rodadas de treinamento, usando o poder de um cluster de computadores vinculados. Em contraste, o minúsculo modelo da equipe completou a fase de treinamento (usando mais de 1.300 imagens) em cerca de um segundo e meio.
Quando a equipe testou o desempenho do modelo em dados novos, detectou automaticamente se uma nuvem estava presente ou não em cerca de um décimo de segundo. Isso envolveu a codificação e análise de uma cena equivalente a uma área de cerca de 4,8×4,8 km2 (equivalente a quase 450 campos de futebol).
Segundo os pesquisadores, o modelo poderia ser facilmente adaptado para realizar diferentes tarefas e usar outras formas de dados. Vít Růžička acrescentou: ‘Tendo alcançado esta demonstração, pretendemos agora desenvolver modelos mais avançados que possam diferenciar automaticamente entre mudanças de interesse (por exemplo, inundações, incêndios e desmatamento) e mudanças naturais (como mudanças naturais na cor das folhas ao longo das estações ). Outro objetivo é desenvolver modelos para dados mais complexos, incluindo imagens de satélites hiperespectrais. Isso poderia permitir, por exemplo, a detecção de vazamentos de metano e teria implicações importantes para o combate às mudanças climáticas.’
A realização de aprendizado de máquina no espaço sideral também pode ajudar a superar o problema dos sensores de satélite a bordo afetados pelas condições ambientais adversas, de modo que exigem calibração regular. Vít Růžička disse: ‘Nosso sistema proposto pode ser usado em constelações de satélites não homogêneos, onde informações confiáveis de um satélite podem ser aplicadas para treinar o resto da constelação. Isso poderia ser usado, por exemplo, para recalibrar sensores que se degradaram ao longo do tempo ou experimentaram mudanças rápidas no ambiente.’
O professor Andrew Markham, que supervisionou a pesquisa DPhil de Vít, disse: ‘O aprendizado de máquina tem um enorme potencial para melhorar o sensoriamento remoto – a capacidade de enviar o máximo de inteligência possível para os satélites tornará o sensoriamento espacial cada vez mais autônomo. Isso ajudaria a superar os problemas com os atrasos inerentes entre a aquisição e a ação, permitindo que o satélite aprendesse com os dados a bordo. O trabalho de Vít serve como uma interessante prova de princípio.’
.
