Aplicar os princípios da IA responsável ao criar conjuntos de dados de detecção remota, como o Dynamic World

1. Antes de começar

Dynamic World é um conjunto de dados global de cobertura do solo (LULC, na sigla em inglês) atualizado quase em tempo real. Ele tem uma resolução de 10 metros porque usa a constelação Sentinel-2 da Agência Espacial Europeia (ESA, na sigla em inglês) e o programa Copernicus, que gera uma imagem global atualizada da superfície da Terra a cada dois ou cinco dias. Ele é produzido com um modelo de aprendizado profundo, a Vertex AI e o Earth Engine, que é uma plataforma de análise geoespacial. Ele ajuda cientistas, pesquisadores e desenvolvedores a detectar mudanças, mapear tendências e quantificar diferenças na superfície da Terra.

O Earth Engine é uma ferramenta que procura promover o conhecimento científico dos processos planetários para melhorar o meio ambiente e trazer benefícios sociais. O uso comercial, em fase de pré-lançamento com o Google Cloud, declara que o objetivo principal dele é entender e lidar com questões importantes de sustentabilidade e clima, como desmatamento, gerenciamento de água e uso sustentável da terra.

Observação: a clareza do idioma sobre o Dynamic World e o Earth Engine é uma abordagem de IA responsável comum para proteção contra o uso potencial por qualquer motivo que não seja a finalidade pretendida do benefício social.

Neste codelab, você vai aplicar práticas responsáveis na geração de conjuntos de dados derivados de machine learning, como o Dynamic World.

O que você vai aprender

• Como aplicar práticas responsáveis de IA em apps com detecção remota.
• Como interpretar visualmente as previsões do Dynamic World ao longo do espaço e do tempo.
• Como refletir sobre as implicações éticas e sociais posteriores.

Pré-requisitos

• Familiaridade com a navegação nos apps do Earth Engine.
• Google Chrome, que funciona melhor com os apps do Earth Engine.

2. Abrir o app Dynamic World do Earth Engine

O conjunto de dados do Dynamic World contém previsões por pixel de nove classes de LULC, conforme descrito nesta tabela. O uso da terra descreve como os seres humanos usam o terreno, enquanto a cobertura descreve o material físico na superfície da Terra.

Tipo de LULC	Descrição
Água	Corpos d'água permanentes e sazonais
Árvores	Florestas primárias e secundárias e plantações em grande escala
Grama	Campos naturais, pastos e parques
Vegetação inundada	Mangues e outros ecossistemas inundados
Colheitas	Plantações em solo seco ou inundado
Arbusto e mato	Vegetação aberta e escassa composta por arbustos
Área de construção	Edifícios com baixa e alta densidade, estradas e espaços abertos urbanos
Solo nu	Desertos e rocha exposta
Neve e gelo	Cobertura de neve permanente e sazonal

As imagens neste conjunto de dados incluem 10 faixas: 9 faixas com probabilidades estimadas para cada uma das 9 classes de LULC e uma faixa de rótulo de classe que indica a classe com a maior probabilidade estimada. Essas propriedades distintas permitem que os usuários façam análises multitemporais e criem produtos personalizados que sejam adequados às necessidades deles.

Observação: esse uso de previsões no Dynamic World passou por uma avaliação ética em que foi avaliado quanto à segurança, rigor científico, imparcialidade, uso indevido em potencial, benefício social e, neste caso, alinhamento aos Princípios de IA do Google. Se aplicável, é possível configurar checkpoints no projeto de ML para avaliar como as decisões técnicas se alinham à declaração da missão, aos valores ou ao código de ética da sua organização.

Para abrir o app Dynamic World do Earth Engine, siga estas etapas:

1. Abra outra guia no navegador.
2. Acesse Dynamic World.

O mapa exibe um mosaico no modo Top1 com relevo em níveis altos de zoom.

3. Clique no mapa para ver um gráfico que mostra as probabilidades das classes ao longo do tempo.
4. Clique em um ponto de dados no gráfico para carregar uma previsão específica e a imagem da Sentinel-2.
5. No painel Camadas, ajuste as camadas e a visibilidade.

3. Explorar as previsões do Dynamic World no Brasil

O Dynamic World inclui previsões em todas as nove classes de LULC e exibe um único rótulo Top1 para cada pixel. O mundo real é uma mistura de muitas classes de LULC em qualquer resolução espacial. Nesta seção, você vai interpretar visualmente as previsões ao longo do espaço e do tempo.

Para explorar as previsões do Dynamic World no Brasil:

1. No navegador, acesse o app Dynamic World EE.
2. No campo Pesquisar lugares, insira Sete de Setembro, Brazil.

Você vai ver dados de computação do Dynamic World para o território indígena do povo Paiter Surui, que vive na região do Sete de Setembro, em Rondônia, no Brasil.

3. No painel Dynamic World, insira 2016-01-01 no campo Data de início e 2022-01-01 no campo Data de término. Em seguida, clique em Atualizar.

Pode levar alguns minutos para carregar o mapa, porque ele é calculado em tempo real.

4. Clique em qualquer lugar no mapa para gerar um gráfico em tempo real.

Você pode aumentar o zoom para ver uma resposta mais rápida.

5. Analise o gráfico que mostra as probabilidades de classe no eixo y e o tempo no eixo x.

Neste exemplo, a previsão da classe Top1 de 1º de janeiro de 2016 a 27 de julho de 2017 é "árvores", que varia de uma probabilidade de 0,684 a 0,755. Quando a próxima cena da Sentinel-2 é capturada em 5 de setembro de 2017, a previsão não é mais "árvores", e o sinal tem muito mais ruído.

6. Clique em para ampliar o gráfico.

Observação: quando você quiser gerar de maneira responsável um conjunto de dados derivado de ML, planeje um cenário de como ele pode ser adaptado para usos indesejados e até mesmo nocivos. Faça perguntas como "Alguns indivíduos, mercados, regiões, segmentos de usuários ou populações têm maior risco de usar consequências negativas com o uso desse conjunto de dados em comparação com outras pessoas?".

4. Parabéns

Você aprendeu a aplicar os princípios da IA responsável na geração de conjuntos de dados derivados de ML, como o Dynamic World.

Saiba mais

• Práticas de IA responsável
• Introdução ao Dynamic World (parte 1): visualização e criação de compostos