Combinando Dados de Satélite e Móvel para Detecção Rápida de Eventos

Encontrar e responder rapidamente a eventos críticos, especialmente aqueles que ameaçam a vida humana, como Desastres Naturais ou conflitos, é muito importante. O aumento dos dispositivos móveis e o acesso constante à internet geraram uma quantidade enorme de dados que têm marcas de tempo e localização. Muitos estudos analisaram como os Dados Móveis podem mostrar como as pessoas se movem para diferentes fins. Ao mesmo tempo, mais satélites estão orbitando a Terra, facilitando a obtenção de imagens de alta qualidade rapidamente de diferentes áreas.

Nós sugerimos uma nova forma de combinar Imagens de Satélite com dados móveis para ajudar a identificar eventos, seja em tempo real ou analisando eventos passados. Quando não há pessoas no local, os dados móveis podem ajudar a estimar como as pessoas estão se movendo, onde estão e como é o ambiente. As imagens de satélite podem mostrar mudanças na área ao redor, tanto construídas quanto naturais. Esse método combinado pode ser usado para identificar pequenos desastres (como tornados, incêndios florestais e inundações) em áreas rurais, ajudar a encontrar praticantes de hiking perdidos em locais remotos e detectar áreas de conflito e pessoas forçadas a deixar suas casas durante a guerra.

#Importância da Resposta Rápida

Num mundo onde tudo está conectado, encontrar e reagir rapidamente a eventos urgentes que podem prejudicar as pessoas é crucial. A eficácia dessas respostas geralmente depende da rapidez e precisão com que as informações são coletadas, analisadas e compartilhadas. No entanto, obter tais informações pode ser complicado por várias razões. Por exemplo, as agências de notícias às vezes têm dificuldade em reportar eventos em andamento de forma eficiente devido à falta de repórteres nas áreas afetadas.

Graças aos dispositivos móveis e ao acesso quase constante à internet, uma grande quantidade de dados é criada que tem marcas de tempo e localização (chamados de dados móveis). Muitos estudos usaram esses dados para analisar como as pessoas se movem, o que pode ser útil para medir a vida urbana, estudar como as doenças se espalham e entender as atividades diárias das pessoas. Ao mesmo tempo, o aumento do número de satélites facilitou a obtenção de imagens de alta qualidade da Terra várias vezes ao dia.

#Método Proposto

Apresentamos um novo método que mistura imagens de satélite com dados móveis para identificar rapidamente eventos urgentes. Essa abordagem aproveita as forças de ambos os tipos de dados. Os dados móveis podem estimar como as pessoas se movem, quão próximas estão umas das outras e como é o ambiente construído. Por outro lado, as imagens de satélite podem mostrar mudanças visuais no entorno construído e natural.

Esse método pode ser muito útil em três áreas principais. Primeiro, pode melhorar a detecção de desastres em pequena escala, como tornados, incêndios florestais ou inundações em regiões rurais. Essas áreas costumam ter poucas pessoas e infraestrutura limitada, dificultando a detecção e resposta rápida. Segundo, pode apoiar operações de Busca e Salvamento para praticantes de hiking perdidos em áreas remotas, fornecendo informações geográficas vitais para ajudar as equipes de resgate. Terceiro, pode ajudar a identificar áreas de conflito ativo e populações deslocadas em regiões afetadas pela guerra, oferecendo informações importantes para organizações humanitárias e formuladores de políticas.

#Estudo de Caso de Resposta

Para mostrar como nosso método funciona, analisamos um pequeno tornado que atingiu Muskogee, Oklahoma, em 15 de maio de 2020. Ao combinar dados móveis da área com imagens de satélite tiradas antes e depois do tornado, conseguimos identificar o evento, localizar áreas danificadas e monitorar para onde as pessoas estavam se movendo dentro e ao redor da área afetada.

#Contribuições

1. Desenvolvemos um método prático para combinar imagens de satélite e dados móveis para ajudar em diferentes tarefas relacionadas à Detecção de Eventos.
2. Descrevemos os usos esperados desse método e fornecemos um estudo de caso de um desastre natural onde a abordagem é útil.
3. Tornamos nossa implementação disponível para outros utilizarem.

#Trabalho Relacionado

Tradicionalmente, capturar mudanças no ambiente exigia que as pessoas coletassem dados e os analisassem. Pesquisas e observações no local eram os métodos padrão, e ainda são frequentemente utilizados hoje. Antes dos satélites modernos, a fotografia aérea era uma maneira popular de documentar grandes mudanças no ambiente. Embora esses métodos tradicionais funcionem para muitos estudos, eles carecem da imediata necessidade durante situações urgentes e muitas vezes perdem desenvolvimentos sem o equipamento ou pessoal adequado.

Nas últimas décadas, novas maneiras de coletar dados sobre o ambiente surgiram, incluindo imagens de satélite, rastros de GPS de dispositivos móveis e conteúdo gerado por usuários de redes sociais. Esta revisão visa destacar pesquisas recentes em dados móveis, imagens de satélite e crowdsourcing, especialmente estudos que combinam qualquer dois desses métodos para ajudar na detecção de eventos.

#Imagens de Satélite e Sensoriamento Remoto

Imagens de satélite têm sido amplamente usadas para detectar eventos e mudanças. Essas imagens oferecem uma visão de cima da superfície da Terra, permitindo a detecção de mudanças ao longo do tempo. Embora as imagens de satélite sozinhas possam não capturar todos os detalhes necessários para cenários específicos, ainda ajudam a mostrar mudanças gerais em ambientes construídos e naturais. Nos últimos anos, mais empresas começaram a fornecer imagens de satélite rapidamente e em tempo real, o que tem sido aplicado em áreas como gestão de desastres e planejamento urbano.

Avanços em aprendizado de máquina também melhoraram a análise de imagens de satélite. Por exemplo, algoritmos especiais foram desenvolvidos para encontrar e classificar automaticamente objetos nessas imagens. Esses desenvolvimentos significam que grandes volumes de imagens de satélite podem ser processados mais rapidamente, permitindo respostas mais rápidas em campo.

#Rastros de GPS de Dispositivos Móveis

Além dos avanços nas imagens de satélite, a ascensão de dispositivos móveis com GPS resultou em um aumento significativo nos dados móveis, que fornecem informações detalhadas sobre como as pessoas se movem. Pesquisas têm explorado o uso de dados móveis para rastrear movimentos populacionais, entender comportamento social, prever padrões de tráfego e mais.

Essa rica fonte de dados levou a novos métodos de detecção de eventos. Por exemplo, rastros de GPS foram utilizados para encontrar aglomerações sociais, inferir atividades individuais e analisar onde as pessoas passam seu tempo. No entanto, combinar dados móveis com outras fontes para detecção de eventos em tempo real, especialmente durante emergências, é um campo que ainda precisa de mais pesquisa.

#Crowdsourcing e Dados de Redes Sociais

Crowdsourcing se tornou um método poderoso para coletar e analisar dados, especialmente para detecção e resposta a eventos. Crowdsourcing significa reunir informações ou contribuições de muitas pessoas, geralmente usando a internet. No contexto de detecção de eventos, o crowdsourcing pode coletar informações em tempo real de quem está vivenciando ou observando um evento.

Um exemplo notável de crowdsourcing na detecção de eventos é a plataforma Ushahidi, que ajudou a coletar e mapear relatos de violência no Quênia após a violência relacionada às eleições em 2008. Desde então, o Ushahidi foi aplicado em diferentes contextos como resposta a desastres e monitoramento ambiental.

À medida que as redes sociais se tornaram uma fonte de notícias vital durante desastres, muitas pesquisas se concentraram nos benefícios de usar dados de redes sociais para detecção de eventos. As plataformas de redes sociais permitem que os usuários compartilhem informações imediatas sobre eventos em desenvolvimento, incluindo seus efeitos e as necessidades das comunidades afetadas. Essas informações costumam se espalhar mais rápido e ser mais específicas do que as provenientes de fontes de notícias oficiais, já que qualquer um pode postar ou compartilhar.

Diversos estudos examinaram o papel dos dados de redes sociais na resposta a desastres. Por exemplo, sistemas foram construídos usando dados do Twitter para detectar terremotos em tempo real ou extrair informações úteis durante desastres, como pedidos de ajuda ou relatos de danos.

Apesar do potencial do crowdsourcing e dos dados de redes sociais, existem limitações importantes a considerar. A qualidade e a confiabilidade dos dados coletados dessa forma podem ser altamente variáveis, levando à desinformação que pode distorcer a detecção de eventos ou desviar os esforços de resgate. Além disso, o crowdsourcing depende da disposição e capacidade das pessoas em compartilhar informações, o que pode ser um desafio em áreas remotas ou durante eventos que se movem rapidamente.

#Fusão de Dados para Detecção de Eventos

Embora tenha havido muita pesquisa sobre o uso de dados móveis e imagens de satélite separadamente, há uma clara falta de estudos sobre seu uso combinado para identificar eventos em tempo real. Essa lacuna apresenta uma grande oportunidade para novas pesquisas que possam ajudar tanto em atividades acadêmicas quanto em usos práticos na gestão de desastres e monitoramento de conflitos, além de missões de busca e resgate.

Usar imagens de satélite junto com rastros de GPS para detecção de eventos é uma área de estudo relativamente nova. Embora os dados de GPS tenham se tornado populares, muitas vezes eles não capturam certos grupos na sociedade, como aqueles que são muito pobres. Em áreas em desenvolvimento, esse grupo pode representar uma grande parte da população. Portanto, durante emergências, os dados móveis não podem ser o único indicador de movimentos incomuns. Imagens de satélite também podem não fornecer informações móveis suficientes. No entanto, quando ambas as fontes são usadas juntas, elas podem se complementar e fornecer informações mais úteis para tarefas de detecção.

Existem estudos existentes que abordam a sobreposição entre esses dois tipos de dados, mas nossa abordagem aplica esse método combinado de maneira diferente. Algumas pesquisas passadas se concentraram em mesclar imagens de satélite com dados de GPS para melhorar atributos de estradas, como limites de velocidade, ou para estimar níveis de pobreza em áreas com informações censitárias desatualizadas.

#Conjunto de Dados e Software

Nossos dados móveis vêm de uma fonte protegida que gera dados de GPS de pessoas que optaram por participar. O conjunto de dados inclui pontos de GPS de 2.000 indivíduos anônimos na área de Tulsa entre dezembro de 2019 e julho de 2020. Esses dados incluem marcas de tempo, identificadores únicos para dispositivos, latitudes e longitudes, e medidas de precisão dos dados.

Para as imagens de satélite, usamos dados de uma empresa que se especializa em imagens da Terra. Esta empresa opera muitos pequenos satélites que capturam regularmente imagens da Terra. As imagens utilizadas passaram por um processo para garantir que sejam geometricamente corretas e coloridas com precisão para que possam ser analisadas de forma confiável.

Implementamos nosso método na linguagem de programação Python. Várias bibliotecas foram usadas para processar dados móveis e imagens de satélite. Nossa implementação pode ser encontrada em um repositório de código aberto para que outros possam acessar.

Nossa metodologia consiste em duas partes-uma para analisar dados móveis e a outra para imagens de satélite. Em ambas as partes, detalhamos os métodos de pré-processamento e os passos para análise.

#Análise de Dados Móveis

O fluxo de trabalho de pré-processamento para dados móveis geralmente consiste nas seguintes etapas:

1. Particionamento Espacial: Isso envolve dividir os dados móveis em seções menores, criando uma caixa delimitadora usando coordenadas específicas.
2. Projeção do Sistema de Referência de Coordenadas (CRS): Após particionar os dados, projetamos as coordenadas para o CRS correto, o que ajuda a minimizar o viés nas métricas de mobilidade que estamos usando.
3. Filtragem de Dados: Nesta fase, removemos quaisquer pontos de dados errôneos com base em limites de movimento. Isso ajuda a eliminar saltos enganosos nos dados causados por obstáculos ou baixa precisão dos dados.

Uma vez que o pré-processamento está completo, analisamos os dados para identificar quaisquer padrões incomuns.

#Análise de Imagens de Satélite

O fluxo de trabalho para imagens de satélite envolve várias etapas:

1. Definição da Região de Interesse (ROI): Isso envolve encontrar as melhores imagens disponíveis para a área de interesse, considerando o momento do evento.
2. Extração de Imagens e Projeção para o CRS: Precisamos garantir que as imagens de satélite correspondam às coordenadas que estamos usando para os dados móveis.
3. Análise de Imagens: Isso envolve examinar as imagens em busca de mudanças visíveis, usando diferentes técnicas para destacar quaisquer diferenças significativas.

#Implementação do Estudo de Caso

Para testar nosso método, realizamos um estudo de caso sobre o tornado em Muskogee. Começamos isolando os dados de GPS da área afetada pelo tornado, aplicando as projeções necessárias e filtrando dados irrelevantes. Em seguida, definimos três períodos de tempo: antes, durante e depois do evento.

Durante nossa exploração dos dados móveis, notamos que não houve mudanças significativas em algumas métricas. No entanto, quando olhamos de perto para os padrões de visita à área, identificamos picos claros de atividade no dia do tornado.

Em seguida, puxamos imagens de satélite tanto de antes quanto de depois do tornado e analisamos as imagens em busca de mudanças físicas. Usando inspeção visual e várias técnicas, confirmamos que ocorreu uma alteração significativa, sugerindo que um desastre natural aconteceu durante o tempo do evento.

#Casos de Uso Potenciais

O método proposto oferece várias aplicações. Aqui estão algumas áreas onde poderia ser particularmente útil:

1. Gestão de Transporte: O método poderia ajudar a fornecer informações de estacionamento em tempo real para viajantes, influenciando suas escolhas de como se deslocar.
2. Detecção de Eventos Rurais: Poderia preencher lacunas de dados para emergências em áreas remotas, ajudando a identificar e responder rapidamente a ocorrências como incêndios florestais ou inundações.
3. Resposta a Climas Severos: Durante eventos climáticos severos, esse método poderia fornecer informações importantes em tempo real para ajudar a coordenar os esforços de resposta.
4. Zonas de Conflito: Em áreas de guerra ou conflito, combinar essas fontes de dados pode ajudar a identificar conflitos ativos e avaliar danos.
5. Áreas Não Conectadas: Em locais sem bom acesso à internet, esse método ainda pode fornecer insights valiosos de dados passados ou intermitentes.
6. Segurança Nacional: Essa abordagem poderia ser usada para detectar ameaças potenciais ou atividades incomuns em uma escala maior.

Em todos esses casos, nosso método visa oferecer uma compreensão mais detalhada e oportuna dos eventos conforme eles acontecem, o que poderia melhorar os tempos de resposta e resultar em melhores resultados.

#Conclusão

Apresentamos um novo método para combinar imagens de satélite com dados de GPS de dispositivos móveis. Nossa abordagem utiliza os benefícios de ambos os tipos de dados, permitindo um melhor acompanhamento do movimento humano e fornecendo insights sobre mudanças no ambiente. Mostramos que nosso método é útil através do estudo de caso de um tornado, que evidencia seu potencial para detectar eventos, analisar movimentos e entender os impactos de desastres.

Conforme o acesso a dados comerciais continua a crescer, nosso método pode se tornar uma ferramenta importante para pesquisadores e profissionais. O aumento do número de satélites e usuários de smartphones tornará mais fácil monitorar e analisar tanto ambientes naturais quanto construídos, permitindo respostas de emergência mais eficazes e compartilhamento de informações. Esperamos que nosso método incentive mais pesquisas e aplicações que aproveitem o poder dessas fontes de dados combinadas.