Nas últimas décadas, a chamada ciência cidadã ganhou destaque como uma abordagem vital para coletar dados e atender às necessidades da comunidade. Conjuntos de dados de cobertura terrestre crowdsourced, na forma de fotografias coletadas de diferentes ângulos, servem como amostras essenciais para mapear paisagens e validar medições baseadas em satélites. Dentre as iniciativas com este objetivo, o programa GLOBE Observer Land Cover, dentro do amplo Programa GLOBE, destaca-se por sua abordagem inovadora na coleta de dados multi-direcionais.
Buscando validar a estratégia do programa em conjunto com a aplicação de técnicas de inteligência artificial para fusão e interpretação das imagens, um estudo publicado em dezembro apresenta o conjunto de dados GLOBE Observer Land Cover e explora seu protocolo único de amostragem de dados, distribuições e os benefícios potenciais de visualizações multi-direcionais. Utilizando algoritmos da família das redes neurais, incluindo VGG, ResNet, MobileNet e EfficientNet, é desenvolvido um framework de classificação de ponta a ponta. A investigação avalia o desempenho da classificação sob diferentes envolvimentos de visualização direcional e estratégias de fusão.
As principais descobertas revelam a superioridade do EfficientNet e destacam melhorias consistentes no desempenho com o aumento das visualizações direcionais, principalmente sob as estratégias de fusão tardia e fusão de pontuação. A pesquisa oferece insights sobre as diferentes performances de classificação de diferentes tipos de cobertura terrestre, enfatizando os desafios potenciais na classificação de áreas arborizadas e terras cultivadas.
O estudo conclui com um apelo à ação, incentivando a continuidade da adoção de protocolos de amostragem de visualização multi-direcional em programas crowdsourced de cobertura terrestre. Também sugere que as informações mais ricas fornecidas por visualizações multi-direcionais aprimoram a precisão da classificação de cobertura terrestre, estendendo os benefícios além do programa GLOBE Observer.
Este trabalho oferece uma exploração envolvente da interação entre metodologias avançadas de aprendizado profundo e ciência cidadã. A integração de inteligência artificial e monitoramento ambiental crowdsourced se destaca como uma promissora abordagem para enfrentar desafios ambientais complexos e avançar no desenvolvimento sustentável.
