Primeiro, devemos dar a César o que é de César! Descobri essa técnica graças ao blog do Franz, que convido você, se fala espanhol, a explorar suas inúmeras riquezas.
Para processar as imagens Sentinel 2, usaremos dois produtos:
- Google Collab e
- IA S2DR3
Google Colab
O Google Colab (ou Google Colaboratory) é um serviço gratuito oferecido pelo Google que permite escrever e executar código Python diretamente no navegador, sem precisar instalar nada no seu computador.
Aqui estão os pontos essenciais:
O que é
É um ambiente Jupyter Notebook hospedado na nuvem.
Em outras palavras, é uma interface onde você pode:
- escrever texto (como explicações ou instruções);
- executar código Python célula por célula;
- exibir gráficos, tabelas ou imagens;
- e tudo isso em um simples navegador da web.
O que ele permite fazer
- Testar código Python facilmente (sem configuração local).
- Fazer cálculos científicos ou processamento de dados (com NumPy, Pandas, Matplotlib, etc.).
- Executar aprendizado de máquina (TensorFlow, PyTorch, Scikit-learn…).
- Usar uma GPU ou TPU gratuita para acelerar os cálculos (útil para IA e aprendizado profundo).
- Colaborar online, um pouco como no Google Docs: várias pessoas podem trabalhar no mesmo notebook.
Exemplo de uso
Abra uma nova página Colab:
https://colab.research.google.com
E você pode digitar, por exemplo:
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title("Courbe du sinus")
plt.show()
O gráfico será exibido diretamente abaixo do código.
Salvar
- Seus notebooks são salvos automaticamente no seu Google Drive.
- Você também pode importar/exportar arquivos .ipynb ou .py.
S2DR3 (Sentinel-2 Deep Resolution 3.0)
Visão geral
- O S2DR3 é um modelo de super-resolução por inteligência artificial aplicado às imagens do satélite Sentinel-2 (missão do programa Copernicus). (Médio)
- Seu objetivo: pegar as faixas multiespectrais do Sentinel-2 (resoluções nativas de 10 m, 20 m e, às vezes, 60 m) e “aprimorá-las” até ≈ 1 m/pixel para todas as faixas. (LinkedIn)
- Isso permite acessar detalhes espaciais muito mais precisos (estradas, edifícios, pequenos objetos, heterogeneidades nas culturas…) do que a resolução padrão do Sentinel-2 permite. (MalaGIS)
Por que isso é interessante
Alguns pontos fortes:
- Melhor resolução espacial: passar de 10 m para 1 m é um salto visível nos detalhes. Isso abre possibilidades de uso que antes exigiam dados comerciais muito caros. (data jungle adventures)
- Cobertura multiespectral completa: ao contrário de alguns modelos que se interessam apenas por algumas bandas (por exemplo, RGB), o S2DR3 processa todas as bandas do Sentinel-2, o que preserva a riqueza espectral (útil para agricultura, vegetação, água, etc.). (Medium)
- Aplicações variadas: agricultura de precisão, cartografia urbana detalhada, monitoramento ambiental, infraestruturas. Por exemplo, um estudo mostra que os índices de vegetação derivados do S2DR3 têm melhores correlações com o rendimento das culturas do que os da versão padrão de 10 m. (MDPI)
Funcionamento simplificado
- Começamos com uma cena Sentinel-2 (nível L1C ou L2A) que contém bandas com resolução de 10 m, 20 m e 60 m. (MDPI)
- O modelo (rede neural profunda) aprende a “super-resolver” cada faixa: ou seja, a prever uma versão mais detalhada da imagem a partir da original, tentando manter as assinaturas espectrais corretas. (data jungle adventures)
- O resultado: uma imagem multiespectral georreferenciada a ~1 m/pixel, incluindo todas as bandas.
- O script abaixo usa esse modelo por meio de um pacote Python s2dr3.inferutils, para automatizar a chamada, a recuperação da cena, o processamento, a exportação para o Google Drive, etc.
Usos práticos em um script
Vejamos como o código se encaixa nesse contexto:
# Lien vers le dossier Drive
!ln -s /content/drive/MyDrive/Sentinel2_1m /content/output
# Installation du paquet S2DR3
!pip -q install https://storage.googleapis.com/.../s2dr3-20250905.1-cp312-cp312-linux_x86_64.whl
import s2dr3.inferutils
# Coordonnées (Loja, Équateur)
lonlat = (-79.203, -4.008)
# Date de l’image
date = '2024-08-23'
# Traitement
s2dr3.inferutils.test(lonlat, date)
- Você indica uma área de interesse (longitude/latitude): isso aciona a recuperação da cena Sentinel-2 mais próxima da data, cobrindo essa área.
- O modelo gera então a versão 1 m do conjunto de bandas a partir da imagem original.
- O resultado é gravado em /content/output (que está vinculado ao seu Google Drive) para acesso/salvamento.
Limites e pontos a serem observados
É importante conhecer também as limitações:
Qualidade variável de acordo com a zona/data: O modelo pressupõe que a imagem contém poucas nuvens, pouca obscuridade e que as superfícies estão bem representadas. Em certas condições (muita sombra, nuvens, zonas muito específicas), a super-resolução pode produzir artefatos.
Dados gerados, não “reais” 1 m comerciais: Mesmo que a resolução seja de ~1 m, trata-se de uma estimativa por um modelo, não de uma aquisição nativa de 1 m. Portanto, é preciso ter cuidado com usos muito críticos (por exemplo, legais ou de engenharia).
Recursos de cálculo: O processamento pode ser exigente (GPU, memória). Os notebooks gratuitos (por exemplo, Colab) têm limitações. (Veja no artigo seguinte como configurar o processamento com GPU T4)
Validações necessárias: Como toda IA, os resultados devem ser validados de acordo com a aplicação. Um estudo mostra que, para certas culturas, a vantagem é real, mas não automática. (MDPI)
Custo/licença possível: Algumas versões comerciais ou em grande escala podem implicar um custo ou condições de uso. (data jungle adventures)
Recomendações de uso
Aqui estão algumas dicas para tirar o máximo proveito do S2DR3 em seus scripts:
- Verifique se a data escolhida tem uma boa cobertura (poucas nuvens) para a área de interesse.
- Após o processamento, verifique visualmente o resultado (por exemplo, no QGIS ou em um notebook) para detectar possíveis artefatos.
- Compare (se possível) com a versão original em resolução padrão do Sentinel-2 para ver o que o modelo traz de novo.
- Se você estiver fazendo análises (por exemplo, de vegetação, classificação), realize testes em um pequeno lote antes de processar grandes áreas.
- Documente bem a proveniência: “imagem super-resolvida via S2DR3 em XX/XX/XXXX” para transparência.
- Para usos de produção ou comercialização, verifique as condições da licença de uso do modelo ou dos produtos gerados.
No próximo artigo, TUTORIAL: Usando o S2DR3 no Google Colab para o estudo dos corais em Maurício, veremos um caso concreto de uso desse procedimento.
