Duas redes neurais abertas encontraram 28 áreas de nova construção em imagens de Moscou

A análise de imagens de satélite rapidamente se torna um trabalho que não dá para fazer direito a olho nu. É preciso encontrar cenas sem nuvens, alinhar datas diferentes, comparar centenas de quilômetros quadrados e não perder o resultado numa pasta de rasters. Em um experimento no território de Nova Moscou, um agente de IA montou essa cadeia, e os cálculos permaneceram locais. O resultado não foi uma demonstração vistosa, mas uma fila de trabalho realmente utilizável: 28 áreas que vale a pena um humano verificar.

O exemplo é simples. Foi tomado um retângulo de 455,60 km² perto de Troitsk, Desna, Krasnaya Pakhra e Shchapovo. Para ele, foram encontradas três imagens de verão do Sentinel-2: uma de julho de 2025 e duas de julho e agosto de 2026. O sistema procurou locais onde a superfície mudou em relação a 2025 e onde, ao mesmo tempo, aumentou a probabilidade de construção. Após a filtragem, 455,46 km² ficaram aptos para comparação.

Dois modelos em vez de um palpite

O primeiro modelo, o FC-Siam-diff, recebe um par de imagens e marca os pixels que mudaram. É um sinal útil, mas sozinho não diz nada sobre a causa: um campo pode ter amarelado, o solo pode ter ficado molhado e uma sombra pode ter se deslocado. Por isso, o Dynamic World foi executado em paralelo. Esse modelo divide a superfície em nove classes, incluindo água, vegetação, terras agrícolas, solo exposto e áreas construídas.

O filtro final exigia a coincidência de dois indícios independentes. O FC-Siam-diff precisava ver a mudança tanto na imagem de julho quanto na de agosto de 2026 em relação a 2025. O Dynamic World precisava mostrar um aumento consistente da pontuação da classe "área construída" nas duas novas datas. O autor escolheu os limiares manualmente: probabilidade de mudança acima de 50%, pontuação de construção em 2025 abaixo de 35% e, em 2026, acima de 55%, com aumento de pelo menos 25 pontos percentuais.

Essa abordagem estreita bastante a busca. Um modelo destacou 144 áreas somando 108,32 ha; o outro, 339 áreas com 170,80 ha. A interseção deixou 28 polígonos com 12,44 ha. Nos seis maiores candidatos, a inspeção visual de fato mostrou mudanças em superfícies artificiais ou canteiros de obras.

Onde o agente trabalhou

O agente não foi encarregado do reconhecimento de imagens, e sim da montagem do processo. Ele encontrou os dados pela API STAC do catálogo Earth Search, preparou os scripts, levou os canais a uma grade comum, executou os pesos prontos dos modelos e carregou as camadas em um serviço de mapas. Os canais de satélite foram reamostrados para uma grade de 10 metros, nuvens e sombras foram excluídas pela camada SCL, e os dados categóricos foram interpolados pelo método do vizinho mais próximo.

Após a inferência, as máscaras raster foram limpas de áreas conexas com menos de nove pixels, ou seja, 900 m². Em seguida, foram convertidas em polígonos GeoJSON com área, data e tipo de modelo. Junto com as imagens RGB originais, esses polígonos foram publicados como camadas separadas do mapa. Um colega pode abrir o link, ativar a data desejada e verificar uma área específica sem configurar ferramentas geoespaciais localmente.

O que não se deve confundir

Esses 28 polígonos não podem ser chamados de 28 novos edifícios. A resolução do Sentinel-2 é de 10 metros nos canais principais, e um único contorno pode incluir uma estrada, solo exposto e vários objetos. Além disso, a interseção rígida dos limiares corta áreas reais em partes e deixa passar construções dentro de território já ocupado. Dos 28 candidatos, apenas os seis maiores foram revisados manualmente; a completude do método ainda nem foi medida.

O sentido prático é outro. Modelos abertos prontos e um agente de IA podem transformar 455 km² de imagens em uma fila curta para o analista, sem enviar os dados originais a um serviço externo de IA. Mas, antes do uso em produção, são necessários uma amostra de controle rotulada, avaliação de precisão e completude, versionamento dos limiares e verificação manual. É um bom pipeline de triagem preliminar, não um cadastro automático nem prova de que um edifício surgiu.