All posts by Andre.Ramos

Curiosidades, Especiais

Conheça o Lar dos Sherpas em Nepal

Bem-vindo ao Khumbu, Lar dos Sherpas.

Aninhado no coração das majestosas montanhas do Himalaia, a região de Khumbu, no Nepal, é uma terra de beleza deslumbrante, rica cultura e aventuras extraordinárias. Como a porta de entrada para o Monte Everest, o pico mais alto do mundo, Khumbu é mais do que apenas um ponto de partida para alpinistas; é a vibrante terra natal dos Sherpas, uma comunidade conhecida por suas habilidades incomparáveis de montanhismo e hospitalidade calorosa.

Os Sherpas: Guardiões do Himalaia

O povo Sherpa habita a região de Khumbu há mais de cinco séculos, migrando do Tibete e trazendo consigo sua cultura única, tradições e uma profunda conexão com as montanhas. Conhecidos por sua resistência física e expertise em escalada de alta altitude, os Sherpas se tornaram companheiros indispensáveis para alpinistas que tentam conquistar o Everest e outras montanhas do Himalaia.

Além de sua habilidade em montanhismo, os Sherpas são celebrados por seu rico patrimônio cultural. O budismo desempenha um papel central em suas vidas diárias, com coloridas bandeiras de oração tremulando ao vento, antigos monastérios situados em encostas e o som melódico das rodas de oração girando. Visitantes de Khumbu podem experimentar essa atmosfera espiritual visitando monastérios icônicos como o Tengboche, que oferece vistas deslumbrantes do Everest e um vislumbre da vida espiritual dos Sherpas.

Explorando o Khumbu: Um Paraíso para Trekkers

Para aqueles que buscam aventura e beleza natural, a região de Khumbu oferece algumas das mais espetaculares rotas de trekking do mundo. A trilha até o Acampamento Base do Everest é uma jornada obrigatória para muitos, proporcionando aos trekkers vistas impressionantes, terrenos desafiadores e a chance de caminhar nas pegadas de grandes alpinistas.

Além do Acampamento Base do Everest, há outras trilhas notáveis como o circuito dos Três Passos e a caminhada até o Gokyo Ri, cada uma oferecendo sua própria perspectiva única da grandiosidade do Himalaia. A hospitalidade Sherpa brilha em cada vilarejo ao longo do caminho, onde trekkers são recebidos com sorrisos calorosos, chá quente e histórias fascinantes de vida nas montanhas.

Cultura e Tradição: O Coração do Khumbu

A cultura Sherpa é rica e vibrante, com festivais coloridos, música tradicional e uma forte ênfase na comunidade. O festival Mani Rimdu, celebrado nos monastérios de Tengboche, Chiwong e Thame, é um evento anual que reúne a comunidade para danças rituais, cantos e cerimônias religiosas, oferecendo uma visão profunda da espiritualidade e das tradições Sherpas.

Preparando-se para a Jornada: O que Você Precisa Saber

Viajar para a região de Khumbu exige preparação adequada. É importante estar fisicamente apto e aclimatar-se à altitude para evitar o mal da montanha. A melhor época para visitar é durante as estações pré-monção (março a maio) e pós-monção (setembro a novembro), quando o clima é mais favorável e as vistas são mais claras.

Leve roupas apropriadas para o frio, um bom par de botas de trekking e esteja pronto para experimentar uma das regiões mais remotas e impressionantes do planeta. A experiência de caminhar entre as montanhas mais altas do mundo, conhecer o calor e a hospitalidade dos Sherpas e imergir-se em uma cultura rica e vibrante é algo que mudará sua perspectiva para sempre.

Explorar o Khumbu é mais do que uma aventura no Hurb.com você encontra Pacotes de Viagem com descontos incríveis; é uma jornada de descoberta cultural e espiritual. Ao retornar das trilhas desafiadoras e das paisagens deslumbrantes, você levará consigo memórias duradouras e uma profunda admiração pelos Sherpas e sua terra natal nas alturas do Himalaia. Venha e descubra a magia do Khumbu, onde cada passo é uma celebração da natureza e da resiliência humana

 

Amazônia

AI para acabar com o desmatamento

Incêndios florestais

AI para acabar com desmatamento

Incêndios florestais ao redor do mundo estão se tornando mais frequentes e mais perigosos, especialmente com o aumento das temperaturas globais . Seus efeitos são sentidos por muitas comunidades, pois as pessoas evacuam suas casas ou sofrem danos até mesmo pela proximidade do fogo e da fumaça.

O Google Research está aplicando IA e ML para entender melhor os processos físicos da Terra e aprimorar nossa capacidade de reagir a desastres naturais, como incêndios florestais. Para esse fim, as equipes de pesquisa estão avançando em uma série de projetos e esforços com diversas abordagens em colaboração com especialistas em incêndios florestais – usando imagens de satélite e ML para detectar e rastrear incêndios florestais, informando comunidades afetadas e ajudando autoridades de incêndio a agir, e desenvolvendo um simulador para gerar dados em uma variedade de cenários de incêndios florestais.

Isso faz parte do amplo esforço do Google para usar IA para lidar com a crescente ameaça das mudanças climáticas, em nossa missão de aplicar IA para melhorar vidas globalmente e ajudar as pessoas a acessar informações confiáveis ​​em momentos críticos.

Rastreamento de limites de incêndios florestais

Desenvolvemos um rastreador de limites de incêndios florestais que usa IA e imagens de satélite para mapear os limites de grandes incêndios florestais e exibi-los no Google Maps e na Pesquisa Google. Este rastreador de incêndios florestais está disponível em partes dos EUA, Canadá, México e Austrália, ajudando as pessoas a se manterem informadas sobre perigos potenciais perto delas ou de seus entes queridos. Estamos avançando em nossa pesquisa para expandir a cobertura para mais regiões e países.

Fornecendo às pessoas informações críticas durante incêndios florestais ativos: Pesquisa Google e Mapas. Disponibilizamos informações sobre incêndios florestais aos usuários por meio de alertas SOS na Pesquisa e no Mapas.

Como funciona

  1. As imagens de satélite são coletadas: Usando satélites geoestacionários , de órbita terrestre baixa e outras fontes de dados que fornecem cobertura contínua para uma parte da Terra. Os satélites incluem GOES-16 e GOES-18 para a América do Norte e do Sul, e Himawari-9 e GK2A para a Austrália, Suomi NPP e satélites NOAA-20 com o gerador de imagens VIIRS em outros locais.
  2. Um sistema alimentado por ML analisa as imagens em escala continental: Ao receber uma sequência das três imagens mais recentes para compensar obstruções temporárias e entradas de dois satélites
  3. Um sistema de ML detecta limites de incêndios florestais: usando uma rede neural para identificar a área total queimada do incêndio
Simulação de incêndio florestal  

Também estamos aproveitando o Compute, TPUs e ML do Google para trazer melhorias na previsão de incêndios florestais. Nossa equipe de pesquisa do Google desenvolveu um simulador de incêndios florestais de alta fidelidade em larga escala (que aparecerá no IJWF ) que pode ser usado para gerar grandes quantidades de dados em uma ampla gama de cenários de incêndios florestais.

Isso aborda efetivamente o problema da escassez de dados e permite o desenvolvimento de melhor ML para lidar com diversas previsões de incêndio, como alertas antecipados para desenvolvimento extremo de incêndios.

Um experimento de campo de queima controlada ( FireFlux II ) simulado usando o simulador de incêndio de alta fidelidade do Google (a ser publicado no IJWF) .

 

Amazônia

Inundações, Após muitos anos de intensa pesquisa, nossa tecnologia agora é escalável

Todos os anos, inundações causam milhares de mortes em todo o mundo, interrompem a vida de milhões e causam danos financeiros significativos. Como parte de nossos esforços para avançar a AI para lidar com a crise climática e ajudar as comunidades afetadas, o Google Research desenvolveu   modelos de AI para prever inundações . Nosso sistema combina dois modelos de AI que processam diversas fontes de dados disponíveis publicamente: o Modelo Hidrológico prevê a quantidade de água fluindo em um rio, e o Modelo de Inundação prevê quais áreas serão afetadas e quão alto será o nível da água. Dessa forma, podemos alertar as pessoas em áreas que estão prestes a ser impactadas até 7 dias antes do desastre acontecer. Ao alertar organizações e pessoas, esperamos capacitá-las a agir, limitando danos e perdas de vidas. Trabalhamos em estreita colaboração com governos, a ONU e ONGs para implementar e distribuir alertas de inundação. Após muitos anos de intensa pesquisa e desenvolvimento, nossa tecnologia agora é escalável e cobre dezenas de países e, no futuro, aspiramos cobrir todas as áreas afetadas por inundações globalmente.

 

Centro de Inundações para Governos e Organizações

O Flood Hub fornece aos usuários dados de inundação localmente relevantes e previsões de inundação com até 7 dias de antecedência para que eles possam tomar medidas oportunas. É um recurso visual e fácil de usar que exibe mapas de inundação de rios locais e tendências de água e fornece previsões de inundação e alertas em tempo real com base nos modelos de IA do Google e fontes de dados globais. O Flood Hub foi projetado para atender às necessidades de governos, organizações de ajuda locais e pessoas diretamente em risco. Todas as informações são gratuitas, disponíveis publicamente e podem ser compartilhadas em redes sociais. As previsões são atualizadas diariamente.

O Flood Hub cobre atualmente bacias hidrográficas em mais de 80 países em todo o mundo, fornecendo previsões críticas de inundações para mais de 1.800 locais e cobrindo uma população de 460 milhões de pessoas.

Atualmente, o Flood Hub cobre bacias hidrográficas em mais de 80 países no mundo todo, fornecendo previsões críticas de enchentes para mais de 1.800 locais e abrangendo uma população de 460 milhões de pessoas.

Como funciona

O Modelo Hidrológico identifica se um rio deve inundar processando fontes de dados publicamente disponíveis, como precipitação e outros dados meteorológicos e de bacia, e gera uma previsão para o nível de água no rio nos dias seguintes.

O Modelo de Inundação simula o comportamento da água conforme ela se move pela planície de inundação com base na previsão hidrológica e nas imagens de satélite. Isso nos permite saber quais áreas serão afetadas e quão alto esperamos que o nível da água esteja.

Nosso modelo inovador de IA combina esses dois modelos para atingir uma precisão sem precedentes:

  • Fornece previsões mais acionáveis ​​e precisas (quando comparadas ao modelo de última geração, amplamente utilizado e disponível globalmente, GloFAS ) para capacitar governos, organizações de assistência e cidadãos a tomarem medidas relevantes e salvar vidas.
  • É possível avaliar se o nível de água de um rio vai subir ou descer e quanto, com até 7 dias de antecedência e, dependendo da disponibilidade de dados, gerar mapas que mostram quais áreas específicas devem inundar.
  • É treinado em uma ampla variedade de produtos meteorológicos globais disponíveis ao público, medições de medidores de rios e imagens de satélite.
  • Pode ser aplicado a locais para os quais temos dados de medição de rios e, mais importante, pode inferir de locais ricos em dados para locais com escassez de dados, permitindo-nos fornecer cobertura em muitos países de baixa e média renda (PBMR).

 

Amazônia, Gerais, Notícias

Cada árvore do mundo

Cada árvore conta muito

 

O aumento nos níveis de dióxido de carbono atmosférico e as mudanças climáticas associadas tiveram um impacto dramático na biosfera da Terra, variando de secas e incêndios florestais à perda de biodiversidade. As florestas desempenham um papel central no ciclo do dióxido de carbono, retirando dióxido de carbono da atmosfera e armazenando o carbono em sua biomassa. As florestas também contêm a maioria da biodiversidade terrestre da Terra. Apesar desse papel central, a magnitude do dióxido de carbono absorvido a cada ano pelas florestas ao redor do mundo ainda é amplamente obscura, devido em parte à resolução grosseira dos modelos globais de carbono.

O Painel Intergovernamental sobre Mudanças Climáticas (IPCC) das Nações Unidas esclareceu que a remoção de carbono é uma parte crucial para limitar o aquecimento global a níveis de 1,5º C em comparação com as temperaturas pré-industriais. O manejo florestal é reconhecido pelo IPCC como uma das formas mais importantes de atingir a remoção de carbono em escala e, na última década, o manejo florestal se tornou a principal fonte de compensações de carbono no mercado voluntário.

Em 2022, as maiores empresas de tech do mundo estabeleceu-se uma meta de atingir emissões líquidas zero em toda a nossa cadeia de valor em 2030. Como parte disso, estamos desenvolvendo novas soluções tecnológicas para mitigar nossa própria pegada de carbono e tornando-as abertamente disponíveis para permitir um impacto mais amplo nas mudanças climáticas (por exemplo, leia mais sobre como usamos IA para reduzir a pegada de carbono do concreto ). Neste artigo, descrevemos como alavancamos a tecnologia interna de IA de última geração e colaboramos com o World Resources Institute (WRI) para desenvolver um método para mapear florestas, árvore por árvore, em áreas do tamanho de continentes. Como exemplo, mapeamos o estado americano da Califórnia e São Paulo, Brasil, e estamos tornando os dados públicos e disponíveis gratuitamente.

Como o mapeamento aprimorado ajuda a atingir o zero líquido

Para atingir emissões líquidas zero, a está focada em reduzir nossas emissões priorizando a eficiência e a circularidade em nossas decisões de negócios, adotando tecnologia de baixo carbono e se envolvendo com nossos fornecedores para ajudá-los a definir metas climáticas. Algumas emissões de setores difíceis de reduzir continuarão difíceis de eliminar completamente até o final desta década. Para aquelas emissões que não podemos evitar, removeremos uma quantidade equivalente de dióxido de carbono comprando créditos de projetos de remoção de carbono, incluindo soluções baseadas na natureza que podem ser implantadas agora, bem como tecnologias emergentes que precisam do nosso suporte para escalar. As florestas são essenciais para atingir a escala global de remoção de carbono necessária, conforme descrito pelo IPCC, e o mercado para remoção de carbono de alta qualidade baseada em florestas precisa crescer significativamente para atingir essa escala.

Acreditamos que, ao melhorar a medição, o relato e a verificação (MRV) de projetos de remoção de carbono baseados em florestas, podemos melhorar a qualidade e acelerar o crescimento de soluções climáticas baseadas na natureza. Primeiro, ao reduzir a barreira para soluções de monitoramento florestal, podemos permitir que pequenos proprietários de terras acessem mercados de carbono e aumentem o número de projetos de remoção de carbono liderados pela comunidade. O crescimento menor e distribuído de árvores (por exemplo, em agrofloresta) carece de soluções de monitoramento acessíveis e escaláveis, o que pode dificultar o desenvolvimento de tais projetos em comunidades menores. Segundo, as soluções baseadas na natureza podem usar dados mais confiáveis ​​do estoque de carbono em florestas para a linha de base e o monitoramento do carbono florestal. Dados de alta resolução aprimorados e disponíveis gratuitamente poderiam ser usados ​​em metodologias de verificação padronizadas para certos projetos. Ambos os desafios podem ser abordados melhorando o conhecimento refinado das florestas em escala global e disponibilizando os dados publicamente.

Figura 1: Mapa de altura do dossel (CHM) para a Califórnia, com inserção mostrando região ampliada com imagens RGB de entrada e dados de base LIDAR

Descrição do nosso método

Para tornar nossa metodologia de mapeamento útil para projetos de MRV de carbono, definimos os seguintes critérios: detectar árvores únicas (o menor número possível de árvores) e ser globalmente aplicável. Também exigimos que o método seja aplicável a diferentes fontes de imagens para permitir atualizações frequentes dos mapas de altura do dossel.

Aproveitando os avanços recentes no aprendizado autossupervisionado, ou seja, o modelo DINOv2 que anunciamos hoje , e nossa experiência em mapeamento global baseado em IA a partir de imagens de alta resolução, desenvolvemos uma abordagem de aprendizado de máquina que pode detectar a altura do dossel com alta fidelidade a partir de imagens RGB com uma resolução de 0,5 m. Descrevemos nosso modelo em detalhes na pré-impressão ( link ), que foi enviada para revisão por pares. O DINOv2 fornece uma estrutura autossupervisionada que pode ser treinada em qualquer coleção de fotos licenciadas sem precisar de metadados associados. Neste trabalho, um modelo DINOv2 é treinado em imagens de satélite RGB de alta resolução (0,5 m) da MAXAR Technologies de forma autossupervisionada. Em seguida, usamos dados aéreos LIDAR como uma verdade básica para aprender mapas de altura do dossel (CHM). Como nossa informação básica está na América do Norte e imagens aéreas LIDAR de alta qualidade não estão disponíveis globalmente, usamos dados LIDAR espaciais como uma fonte de dados esparsa, mas global, de baixa resolução, para calibrar nosso modelo para aplicabilidade global.

A escolha do aprendizado de rede neural autossupervisionado do DINOv2 permite recursos universais e generalizáveis, o que acreditamos facilitar a aplicabilidade global do modelo. A resolução de 0,5 m nos permite mapear a altura do dossel de árvores individuais, independentemente da escassez, tipo de vegetação rasteira ou espécie, o que é crucial para obter estimativas precisas de biomassa. Aproveitando nosso modelo, criamos mapas de altura do dossel da Califórnia e de São Paulo, Brasil (baixe os dados aqui e visualize o mapa aqui ). Descobrimos que o modelo tem um desempenho qualitativamente bom no Brasil, embora os dados de treinamento de alta resolução sejam da América do Norte.

Figura 2: Mapa de Altura do Dossel (CHM) para o estado de São Paulo, com inserção mostrando região ampliada com imagens RGB de entrada

Como o modelo é treinado em imagens RGB, ele permite a análise de imagens RGB genéricas reamostradas para a mesma resolução de 0,5 m em que o modelo foi treinado, então imagens coletadas por aviões ou drones, em vez de satélites, também podem ser usadas como entrada. Isso é particularmente importante, pois os dados RGB aéreos estão mais amplamente disponíveis e permitem um rastreamento simples e econômico de mudanças na altura do dossel ao longo do tempo.

Como exemplo, demonstramos que nosso modelo tem bom desempenho nas imagens aéreas do conjunto de dados NEON, conforme mostrado na figura abaixo.

Figura 3: Mesmo que o modelo seja treinado em imagens de satélite, a inferência em imagens aéreas não parece sofrer com uma mudança de domínio

Conclusão

Nosso método permite a análise em larga escala de imagens de alta resolução, determinando a altura do dossel da floresta com resolução submétrica. O mapeamento preciso da floresta no espaço e no tempo levará a compensações de carbono baseadas em florestas mais responsáveis ​​e permitirá o desenvolvimento de mais projetos de carbono, especialmente aqueles em pedaços menores de terra — dois requisitos para que as compensações de carbono baseadas na natureza alcancem a escala e a qualidade necessárias para atingir as metas de net zero em escala global.