Redes neurais ganham inteligência para analisar dados de satélites

Redação do Site Inovação Tecnológica - 10/05/2010

Pesquisadores descobriram uma forma de colocar a inteligência artificial a serviço da análise dos gigantescos volumes de dados gerados pelo sensoriamento remoto via satélite usando novos algoritmos de rede neural.
[Imagem: Soledad Delgado Sanz]

Pesquisadores da Universidade Politécnica de Madrid, na Espanha, descobriram uma forma de colocar a inteligência artificial a serviço da análise dos gigantescos volumes de dados gerados pelo sensoriamento remoto via satélite.

A pesquisa desenvolveu novos algoritmos de visualização e de treinamento de redes neurais auto-organizáveis para aplicação em sensoriamento remoto, gerando modelos simplificados de grandes volumes de informação multi-espectral.

Redes neurais

Redes neurais são modelos matemáticos inspirados no funcionamento das redes neurais biológicas, presentes no cérebro e representam uma das principais vertentes da inteligência artificial.

Elas são aplicadas em uma grande variedade de disciplinas, para resolver um espectro ainda mais variado de problemas.

Um dos modelos de rede neural mais largamente utilizado atualmente é conhecido como mapa de auto-organização.

Sensoriamento remoto

O sensoriamento remoto cuida da aquisição de informações sobre a superfície da Terra utilizando técnicas que não envolvem o contato físico com o objeto sob observação - essencialmente por meio de satélites artificiais.

O desenvolvimento de ferramentas para analisar e processar imagens multi-espectrais - em vários comprimentos de onda - captadas por câmeras e sensores a bordo de satélites abriu o caminho para a automatização de tarefas que seriam impraticáveis de serem feitas por analistas humanos.

Modelos de redes neurais

A rede neural auto-organizável conhecida como modelo de Kohonen tem-se mostrado como uma ferramenta útil e valiosa para a análise exploratória de dados.

Mas o modelo de Kohonen não é perfeito, tendo algumas restrições, relacionadas principalmente com a arquitetura.

Isto levou ao surgimento de novos tipos de mapas de auto-organização, como o modelo das Estruturas Celulares Crescentes (GCS: Growing Cell Structures), proposto por Bernd Fritzke.

Mas o modelo GCS, mesmo em suas versões incrementadas, também não é isento de problemas, com parâmetros difíceis de configurar e sem faixas de valores bem definidas.

Modelos simplificados

A proposta da pesquisadora Soledad Delgado Sanz consiste em um novo algoritmo de treinamento do modelo GCS que melhora a delimitação dos valores de entrada, eventualmente resolvendo o maior problema do modelo.

A modificação do algoritmo GCS torna este modelo de rede neural mais fácil de usar para gerar modelos simplificados de grandes volumes de informações multi-espectrais normalmente associados com o campo do sensoriamento remoto.

A nova metodologia foi testada em várias áreas importantes do sensoriamento remoto, incluindo a classificação de coberturas de solos, estimativas de variáveis físicas de áreas cobertas por água e análise do índice de validade espectral de imagens com características especiais.

DNA e imagens médicas

As aplicações da nova metodologia vão além do sensoriamento remoto, cobrindo virtualmente qualquer área de pesquisa que precise gerir informações multidimensionais.

É o caso da análise genômica e do processamento de imagens médicas, que também estão sendo utilizadas para validar o modelo GCS otimizado.