Desenvolvimento orientado a IA de novos dados de edifícios abertos revelados

Em 2021, a equipe do Google Research Africa lançou o Open Buildings, um conjunto de dados de código aberto que mapeia pegadas de construções no Sul Global usando IA e imagens de satélite de alta resolução. O objetivo era bastante direto: preencher uma grande lacuna nos dados sobre população e densidade em países em desenvolvimento. Agora, com a terceira versão lançada, o conjunto de dados apresenta polígonos para impressionantes 1,8 bilhão de construções espalhadas por 58 milhões de km² na África, Sul e Sudeste da Ásia, América Latina e Caribe.

Muitas pessoas, desde governos até a ONU, e até mesmo pesquisadores e ONGs, têm usado o Open Buildings para entender melhor o tamanho e a distribuição da população. Isso os ajudou a planejar melhor coisas como campanhas de vacinação e respostas a desastres. Além disso, até melhorou o Google Maps ao adicionar milhões de construções que não estavam mapeadas antes.

A equipe, baseada em Gana, mas com membros espalhados por lugares como Tel Aviv e Zurique, tem como missão tornar o projeto ainda mais útil. "Estamos sempre no modo hackathon, experimentando novas ideias e enfrentando desafios," diz o gerente de programa do Google Research, Abdoulaye Diack. "Uma coisa que não podíamos fazer com o conjunto de dados original era mostrar como as áreas mudam ao longo do tempo — era estático. E isso era algo que nossos parceiros realmente queriam."

Fornecedores comerciais de imagens de satélite geralmente focam em áreas que geram lucro, deixando cerca de 40% do mundo, principalmente o Sul Global, sem cobertura regular de alta resolução. Alguns lugares remotos e assentamentos informais não têm nenhuma cobertura. Enquanto isso, imagens de código aberto do satélite Sentinel-2 da Agência Espacial Europeia, que tira uma foto global a cada cinco dias, eram consideradas de resolução muito baixa para detecção de construções.

Mas a equipe achou que isso poderia não ser tão problemático quanto pensavam, então decidiram tentar.

Primeiro, eles alimentaram um único quadro de baixa resolução do Sentinel-2 em seu modelo e pediram que ele desenhasse polígonos de construções. "Foi difícil, mas vimos potencial," diz Abdoulaye. "Então, dissemos ao modelo para nos dar apenas as máscaras de construção — dados binários de pixels vinculados a locais específicos. Ele se saiu bem, e pensamos, 'Ei, podemos fazer isso.'"

Após um ano ajustando o modelo, eles lançaram o Conjunto de Dados Temporais 2.5D do Open Buildings no último mês. Ele cobre de 2016 a 2023 e oferece uma visão anual da presença e contagem de construções em grande parte do Sul Global, além de alturas de construções. Isso mostra como as cidades mudam devido ao desenvolvimento, desastres e outros fatores. Os usuários podem escolher uma região, folhear os anos e observar o mundo crescer e encolher em uma exibição colorida de formas.

"Até 2050, cerca de 2,5 bilhões de pessoas podem se mudar para cidades, principalmente no Sul Global. Este conjunto de dados pode ser uma virada de jogo para governos e organizações lidando com esse crescimento," diz a gerente de produto do Google Research, Olivia Graham. "Se uma cidade está planejando onde colocar serviços essenciais como saúde e educação, ou onde construir infraestrutura como suprimentos de água e energia, este conjunto de dados mostra quais áreas estão crescendo rápido."

Em 28 de setembro de 2018, um terremoto de magnitude 7,4 na costa da Indonésia desencadeou um tsunami, impactando cerca de 1,5 milhão de pessoas em Sulawesi. O conjunto de dados mostra como a área construída recuou da costa após o desastre. Você pode conferi-lo em nosso aplicativo interativo Earth Engine.

Você também pode ver a construção de Nova Cairo, Egito, na demonstração do Conjunto de Dados Temporais 2.5D do Open Buildings.

Então, como a equipe conseguiu fazer seu modelo ler as imagens de satélite desfocadas do Sentinel-2 e detectar construções com confiança? Eles começaram aprimorando as coisas.

"Usamos uma configuração de modelo professor-aluno para 'super-resolver' as imagens de baixa resolução e extrair as pegadas de construção," diz o engenheiro de software do Google Research, Krishna Sapkota. "O modelo professor aprende a identificar construções em imagens de alta resolução e fornece rótulos ao modelo aluno. O modelo aluno, que realmente cria o conjunto de dados, aprende com a saída do professor. Ele pode então pegar imagens de baixa resolução do Sentinel-2 e adivinhar como seria uma versão de maior resolução."

O modelo professor fornece rótulos de treinamento de alta resolução ao modelo aluno, que então descobre a presença de construções a partir de imagens de baixa resolução.

Para obter o detalhe necessário para as pegadas de construção, o modelo usa até 32 quadros de imagens do Sentinel-2 de um local para qualquer previsão. Cada quadro é um pouco diferente dos outros, graças ao pequeno intervalo de tempo entre as capturas, o que ajuda a aumentar a resolução — meio como os telefones Pixel usam várias fotos para imagens mais nítidas.

Diferente do conjunto de dados original, que fornecia contornos poligonais precisos de construções, o novo conjunto de dados temporais usa dados raster para pegadas de construção. Ele também prevê alturas de construções, cruciais para estimar a densidade populacional, com um erro de apenas 1,5 metro, ou menos de um andar.

Antes de seu lançamento oficial, o conjunto de dados temporais foi compartilhado com parceiros confiáveis como a ONG ugandesa Sunbird AI. "Cerca de 73% dos ugandeses não têm eletricidade, e a Sunbird AI usou nosso banco de dados original para ajudar o governo a decidir onde colocar micro-redes ou painéis solares," diz Olivia. "Com o novo conjunto de dados, eles estão olhando para Jinja e Fort Portal, criando visuais que ajudam os conselhos municipais a ver onde o crescimento está acontecendo rápido e ajustar seus planos. Isso mostra como ambos os conjuntos de dados podem fazer parte de um kit de ferramentas maior para entender uma população e como ela está mudando."

A mesma curiosidade que levou ao conjunto de dados temporais está impulsionando a equipe a continuar melhorando-o.

"Moro em Gana e vejo o impacto que nosso trabalho está tendo e pode ter," diz Abdoulaye. "Muitos lugares aqui lutam com recursos, o que leva a lacunas de dados com grandes consequências. Fazer parte de uma equipe trabalhando para corrigir isso e fazer a diferença é uma verdadeira honra."