A qualquer momento, mais de 50.000 navios estão no mar ou em portos em todo o mundo. Isso inclui navios militares, navios de carga, petroleiros e navios de pesca comercial. Embora a maioria esteja envolvida em atividades declaradas (e legais), monitorar os movimentos dos navios é uma parte crítica da defesa da linha de frente dos Estados Unidos contra ameaças potenciais à segurança nacional.
A chave para este processo de monitoramento é a coleta e análise de imagens de satélite para produzir inteligência geoespacial (GEOINT). A Agência Nacional de Inteligência Geoespacial (NGA) é a principal fonte de GEOINT para o Departamento de Defesa dos Estados Unidos (DoD) e as 16 outras agências da comunidade de inteligência dos EUA.
Analisar e disseminar GEOINT é complexo. A NGA incorpora analistas em locais militares, diplomáticos e aliados dos EUA em todo o mundo, incluindo comandos combatentes do DoD, como o Comando Sul dos Estados Unidos (US SOUTHCOM).
O US SOUTHCOM é responsável pela massa de terra da América Latina, sul do México; as águas adjacentes às Américas Central e do Sul; o Mar do Caribe; o Golfo do México; e uma porção do Oceano Atlântico. Suas funções incluem operações, planejamento de contingência e cooperação de segurança.
Automatizando o Processo de Análise de Imagens
Em 2018, a NGA estabeleceu uma meta de missão para aumentar a velocidade com que fornece insights aos seus parceiros, a precisão de suas avaliações e o escopo de sua missão por meio de inteligência artificial, automação e aumento (AAA). Para atingir esse objetivo, o US SOUTHCOM e a NGA desenvolveram o Serviço de Exploração de Mudanças de Navios de Imagens Portuárias (PISCES), que monitora as atividades portuárias em cerca de 20 países, 60 instalações portuárias e mais de 150 áreas de interesse geocerca dentro desses portos.
“Esta é uma iniciativa de aprendizado de máquina fundamental para o monitoramento da porta do comando e os esforços de compreensão do padrão de vida e se alinha com a iniciativa AAA mais ampla como um sistema computacional”, disse Michael Kurey, analista geoespacial sênior da NGA no US SOUTHCOM.
O PISCES foi desenvolvido para superar as limitações de recursos e pessoal limitados. “O resultado é aumentar a inteligência humana aproveitando a automação para obter resultados mais eficientes e precisos do que de outra forma possível devido às restrições de recursos e à disponibilidade cada vez maior de dados”, disse Kurey.
“O US SOUTHCOM se concentra em construir relacionamentos com os outros países dentro de nossa AOR [área de responsabilidade]. A GEOINT que produzimos é usado para fins de monitoramento e não de combate”, disse Patrick Oakes, analista GEOINT sênior da NGA do US SOUTHCOM.
Os analistas de imagens estavam realizando interpretações visuais demoradas de imagens de satélite enquanto recebiam continuamente novas solicitações de análises. Uma solução automatizada era necessária para agilizar e priorizar os fluxos de trabalho diários dos analistas, bem como desenvolver percepções mais profundas. O PISCES foi projetado para liberar os analistas para se concentrarem em questões de maior prioridade no AOR, sem abdicar de sua obrigação de monitorar as instalações.
Para conseguir isso, o PISCES primeiro precisava segmentar automaticamente os navios em imagens usando um algoritmo de visão por computador. No final de 2016, a primeira prova de conceito foi tentada pelo US SOUTHCOM: a Planet Power User Working Group (Grupo de Trabalho do Usuário Poderoso do Planeta, em tradução livre), da empresa Planet Labs, usando recursos projetados para categorizar um determinado pixel como água ou não água, com base em suas propriedades espectrais nas bandas vermelha, verde e azul (RGB) da imagem. Isso forneceu evidências de que imagens de resolução média podem ser úteis no monitoramento da atividade portuária marítima.
Com base no resultado positivo desse experimento, os engenheiros da equipe 3GIMBALS COGINTTM do US SOUTHCOM criaram um algoritmo de visão computacional de aprendizado de máquina robusto que pode fazer avaliações envolvendo propriedades espectrais de água variáveis, qualidade de imagem, sombras de nuvens e outros fatores. Para isso, os engenheiros treinaram uma rede neural usando imagens anotadas. O modelo resultante foi muito eficaz na segmentação de vasos em condições variadas.
“Nosso aplicativo tira proveito de imagens de cadência temporal alta”, disse Oakes. Imagens de resolução média da mesma área geográfica são processadas quase diariamente no modelo PISCES. Essas imagens são obtidas da Planet Labs, uma empresa com sede nos Estados Unidos que mantém a maior constelação do mundo de satélites de imagens da Terra, que examinam toda a massa terrestre todos os dias.
A constelação de satélites da Planet Labs é usada para apoiar o modelo PISCES. Os CubeSats (satélites cubo), projetados e construídos internamente em San Francisco, Califórnia, coletam imagens ortorretificadas em quatro bandas espectrais (vermelho, verde, azul e infravermelho próximo) com resolução de 3 a 5 metros.
O Fluxo de Trabalho PISCES
A iniciativa PISCES do US SOUTHCOM começou com uma listagem de portos obtida do Comando de Transporte dos Estados Unidos (US TRANSCOM), que é responsável por monitorar todas as hidrovias e portos em todo o mundo.
Assim que um porto é determinada como de interesse, os analistas de imagens criam cercas geográficas em torno de AORs especificados. Essas cercas geográficas são salvas no GeoJSON, um formato de intercâmbio de dados geoespaciais de padrão aberto, e inseridas no modelo PISCES para uso na segmentação de navios.
O ArcGIS Enterprise, software de Sistema de Informação Geográfica (GIS) da ESRI, se conecta diretamente ao banco de dados PISCES para obter as previsões de algoritmo resultantes. Conforme o algoritmo é executado, seus resultados são descobertos automaticamente pelo ArcGIS GeoEvent Server e anexados à classe de recurso. Essas informações são visualizadas no Operations Dashboard for ArcGIS usando ArcGIS Arcade (uma linguagem de expressão) para reinderizar símbolos usando agrupamento que resume informações para um AOR em diferentes níveis de zoom. Os painéis permitem que os analistas resumam todo o AOR em escalas espaciais e temporais e executem agregação em ambas para ver rapidamente resumos de atividades anômalas em forma gráfica. Como o painel é sob demanda e de auto-atendimento, é uma melhoria em relação aos e-mails de resumo semanais tradicionais.
“Isso os ajuda a desenvolver uma visão significativa do PISCES, visualizando eventos e realizando análises de tendências. Um tomador de decisão pode visualizar rapidamente resumos de nível superior, e um analista pode fazer uma busca detalhada para descobrir detalhes adicionais”, afirma Kurey.
O US SOUTHCOM planeja utilizar o ArcGIS GeoEvent Server para anexar classes de recursos adicionais, resumindo estatisticamente as avaliações agregadas no tempo e no espaço para reinderizar histórias estratégicas mais poderosas. Uma idéia para aumentar as capacidades do PISCES seria integrar seus resultados com dados de sistemas que rastreiam navios automaticamente. Embarcações equipadas com transponders transmitem identificação, posição, curso e velocidade. A integração desses dados permitiria a identificação de embarcações específicas.
O futuro do aprendizado de máquina no US SOUTHCOM
No futuro, o US SOUTHCOM gostaria de adaptar a estrutura do algoritmo de segmentação de recursos e a metodologia desenvolvida para o PISCES para os domínios aéreo e terrestre. Em vez de criar vários painéis individuais, um painel abrangente incluiria domínios aéreos, terrestres e marítimos. Todos os dados seriam armazenados no mesmo portal e os analistas poderiam simplesmente selecionar um ambiente de interesse.
“Acreditamos que nossas experiências com o PISCES e o processo de aprendizado de máquina nos permitiriam estabelecer esses novos projetos com muito mais rapidez. Gostaríamos, também, de fazer um maior uso dos resultados que obtemos do PISCES, utilizando as ferramentas de análise preditiva. Isso nos permitirá analisar melhor as tendências de movimentação de navios, a fim de antecipar eventos futuros em nosso processo de monitoramento”, concluiu Oakes.
O avanço da tecnologia
Ferramentas de análise de imagens de forma automatizada, que utilizam detecção automática de padrões por meio de machine learning, deep learning, inteligência artificial, fusionamento de dados e tratamento de big data, estão sendo aperfeiçoadas em várias partes do mundo.
Além da Planet Labs, citada neste artigo, a Maxar Technologies, a Airbus Defence and Space, ou mesmo a ImageSat International, possuem, em maior ou menor nível de automatização, ferramentas de suporte à análise de imagens com algoritmos que visam à facilitar o processo de monitoramento. No entanto, são, também, empresas fornecedoras de imagens. E seus algoritmos, naturalmente, tendem a funcionar melhor com imagens por eles fornecidas.
Sistemas independentes, ou agnósticos, de análise automatizada de imagens, como o da família ArcGIS, citada neste artigo, ou da Hexagon Geospatial, por exemplo – normalmente – funcionam bem com qualquer tipo de imagem, respeitadas, naturalmente, as características individuais de cada projeto. Costuma-se dizer que não há “mágica” nesse meio. Ou seja, as soluções ditas “prontas” sempre necessitarão de adaptação à realidade de cada cenário. Mas nada que alguns engenheiros e técnicos em GIS não possam customizar em algumas semanas!
E qual ferramenta, então, escolher? Bem, vale a pena conhecer cada uma delas para ver qual responderá, em melhores condições, à necessidade do projeto. E bom trabalho!
(Traduzido e adaptado do artigo publicado por Jim Baumann, na revista eletrônica da ESRI)
*Ivan Carlos Soares de Oliveira é Doutor em Ciências Militares, área de aplicação Sensoriamento Remoto, pela Escola de Comando e Estado-Maior do Exército (ECEME); Mestre em Geologia, área de aplicação Análise Ambiental, pela Universidade de Brasília (UnB); especialista em Geoprocessamento, pela Universidade Federal do Rio de Janeiro (UFRJ); especialista em Inteligência, pela Escola de Inteligência Militar do Exército (EsIMEx); e especialista em Fotoinformação, pela Escola de Instrução Especializada do Exército (EsIE)
Imagem de capa: Rio Tietê, Araçatuba/ SP (Diego Giudice/ Bloomberg News)