Implementação de uma API em arquitetura serverless no ambiente da AWS para predição de batimetria em estuários através da aplicação de métodos de aprendizado de máquina em imagens multiespectrais de satélites

Abstract

O processo de batimetria tem como objetivo medir a profundidade da coluna d’água e é de suma importância para eficiência e segurança da navegação, mapeamento de tipo de perfis de costa, como também para a construção civil em regiões costeiras. Geralmente é feito através da medição in situ, com o uso de equipamentos como ecobatímetros, porém estes métodos são limitados pela capacidade de navegação na área de interesse e pelo custo, oportunizando alternativas como a batimetria derivada por satélite. O presente trabalho apresenta as especificações e etapas de implementação de uma API no ambiente da Amazon Web Services (AWS) utilizando da arquitetura serverless, possibilitando treinamento e utilização de modelos de aprendizado de máquina capazes de estimar a profundidade da coluna d’água a partir dos valores das bandas de reflectância obtidas por imagens de satélite. Adicionalmente, o presente trabalho expõe as vantagens relacionadas à computação serverless, permitindo mitigar os desafios de esforço operacional e computacional, efetivando a integração de diferentes etapas para a solução proposta, como processamento de dados, técnicas de aprendizado de máquina e aquisição de dados de sensoriamento remoto. Resultados experimentais da implementação em ambiente serverless da abordagem proposta neste trabalho demonstraram a efetividade, facilidade de uso e gestão e escalabilidade, do modelo de batimetria por imagens de satélite no contexto da Baía da Babitonga para um sistema externo.

The bathymetry process aims to measure the depth of the water column over bodies of water and is of crucial importance for navigation efficiency and safety, mapping coast profiles’ types, as well as for civil construction in coastal regions. It is usually done by in situ measurement, with the use of equipment such as echo sounders, however these methods are limited by the navigation capacity in the area of interest and operational cost, allowing alternatives such as satellite-derived bathymetry. This work presents the steps of implementing an API in the Amazon Web Services (AWS) environment using the serverless architecture, enabling training and usage of machine learning models capable of estimating the depth of the water column based on values of the reflectance bands acquired from satellite images. It also exposes the advantages related to serverless computing, overcoming the challenges of operational and computational effort, accomplishing the integration of different steps for the proposed solution, such as data processing, machine learning techniques and remote sensing data acquisition. Experimental results of the implementation in a serverless environment of the proposed approach in this work demonstrated the effectiveness, ease of use, management and scalability of the bathymetry model by satellite images in the context of the Babitonga Bay for an external system.