Desenvolvimento de plataforma de visualização de veredas no cerrado brasileiro

ESCOLA POLITÉCNICA DA UNIVERSIDADE DE SÃO PAULO DESENVOLVIMENTO DE PLATAFORMA DE VISUALIZAÇÃO DE VEREDAS NO CERRADO BRASILEIRO EDUARDO PETRONE MOTTA FILLIPE PINHEIRO LIMA DA SILVA GUSTAVO CÉSAR PRIETO São Paulo - SP, dezembro de 2024 EDUARDO PETRONE MOTTA FILLIPE PINHEIRO LIMA DA SILVA GUSTAVO CÉSAR PRIETO DESENVOLVIMENTO DE PLATAFORMA DE VISUALIZAÇÃO DE VEREDAS NO CERRADO BRASILEIRO Projeto de Formatura apresentado junto ao programa de Bacharelado em Engenharia da Escola Politécnica da Universidade de São Paulo, como requisito parcial à obtenção do título de Bacharel em Engenharia Elétrica. Orientador: Prof. Dr. Pedro Luiz Pizzigatti Corrêa Coorientadora: Dra. Marina Jeaneth Machicao Justo São Paulo - SP, dezembro de 2024 Dedicamos às nossas famílias e aos nossos amigos, os quais sempre nos apoiaram durante toda a graduação e foram alento nos momentos mais difíceis. AGRADECIMENTOS Ao Prof. Dr. Pedro Luiz Pizzigatti Corrêa e à Dra. Marina Jeaneth Machicao Justo por nos orientar, fornecer suporte e respaldo técnico para a elaboração deste trabalho. A Wellingthon Dias de Queiroz, pesquisador do Laboratório de Ciência de Dados e Inteligência Artificial da Engenharia de Computação da Escola Politécnica da USP, pelo apoio fundamental nos últimos e importatíssimos ajustes do projeto. Aos pesquisadores do INPE, especialmenete Alexandre Barbosa, pela colaboração e prestatividade para compreensão da etapa de ciência de dados. “Educação é uma descoberta progressiva de nossa própria ignorância.” Voltaire LISTA DE ABREVIATURAS E SIGLAS AJAX Asynchronous JavaScript and XML API Application Programming Interface CD Entrega Contínua CI Inetgração Contínua CNN Convolutional Neutral Networks CSP Content Policy CSRF Cross-Site Request Forgery CSS Cascading Style Sheet DaaS Data as a Service DOM Document Object Model DRY Don’t Repeat Yourself EC2 Elastic Compute Cloud FMA Floof Mapping Algorithm FPR Taxa de Falsos Positivos GAN Generative Adversarial Networks GCP Google Cloud Platform GEE Google Earth Engine GPU Graphics Processing Unit HAND Altura Acima da Drenagem mais Próxima HTML HyperText Markup Language HTTPS Hypertext transfer protocol secure IA Inteligência Aritificial IaaS Infrastructure as a Service IBGE Instituto Brasileiro de Geografia e Estatística INPE Instituto Nacional de Pesquisas Espaciais IoT Internet das Coisas LASSO Operador de Seleção e Encolhimento Absoluto Mínimo LESS Leaner Style Sheets LGPD Lei Geral de Proteção de Dados Pessoais LSTM Long Short-Term Memory MFA Autenticação Multifator MNDWI Índice Modificado de Diferença Normalizada da Água MVC Model-View-Controller MVT Modelo-View Template MVVM Model-View-ViewModel NDVI Índice de Vegetação por Diferença Normalizada NoSQL Not Only SQL ORM Object-Relational Mapping OWASP Open Worldwide Application Security Project PaaS Platform as a Service PWA Progressive Web Applications REST Representational State Transfer RNN Recurrent Neural Networks S3 Simple Storage Service SaaS Software as a Service SASS Syntactically Awesome Style Sheets SEO Search Engine Optimization SP São Paulo SPA Single Page Applications SQL Structured Query Language TPR Taxa de Verdadeiros Positivos TPU Tensor Processing Unit UI Interface de Usuário UX Experiência de Usuário W3C World Wide Web Consortium WHATWG Web Hypertext Application Technology Working Group WRD Desastres Relacionados à Água XSS Cross-Site Scripting SUMÁRIO 1 INTRODUÇÃO............................ 22 1.1 Motivação ................................. 22 1.2 Objetivos .................................. 25 2 ASPECTOS CONCEITUAIS . . . . . . . . . . . . . . . . . . . . 27 2.1 Cerrado ................................... 27 2.2 Veredas ................................... 28 2.3 Inteligência Artificial ........................... 30 2.3.1 MachineLearning .............................. 31 2.3.2 DeepLearning................................ 32 2.4 Desenvolvimento WEB ......................... 34 2.4.1 Back-end................................... 35 2.4.2 Front-end................................... 36 3 TECNOLOGIAS ........................... 39 3.1 Amazon Web Services .......................... 39 3.1.1 AmazonEC2................................. 41 3.1.2 AmazonS3.................................. 42 3.1.3 AmazonSageMaker ............................. 44 3.2 Google Earth Engine ........................... 45 3.3 Pyhton ................................... 46 3.3.1 Django .................................... 47 3.4 HTML .................................... 49 3.5 CSS ..................................... 50 3.6 JavaScript ................................. 51 4 TRABALHOS RELACIONADOS . . . . . . . . . . . . . . . . . 54 4.1 GIUZIO ET AL. (2023) ......................... 54 4.2 MEHMOOD ET AL. (2021) ...................... 55 5 METODOLOGIA........................... 58 5.1 Fluxo de Trabalho ............................ 58 5.2 Requisitos ................................. 59 5.2.1 Requisitos Funcionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 5.2.2 Requisitos Não Funcioanis . . . . . . . . . . . . . . . . . . . . . . . . . 61 6 DESENVOLVIMENTO BACK-END . . . . . . . . . . . . . . . 63 6.1 Escolha e Justificativas das Tecnologias Utilizadas ........ 63 6.1.1 PythoneDjango............................... 63 6.1.2 GoogleEarthEngine ............................ 65 6.2 Arquitetura do Sistema ......................... 66 6.2.1 Models (Modelos) .............................. 66 6.2.2 Views (Visões) ................................ 66 6.2.3 Controllers (Contraladores)......................... 67 6.3 Implementação .............................. 67 6.3.1 Aquisição de Arquivos do Amazon S3 . . . . . . . . . . . . . . . . . . . 68 6.3.2 Extração e Conversão de Coordenadas Geográficas de Imagens .tif . . . 69 6.3.3 Aquisição e Conversão de Imagens de Satélite para o Google Earth Engine 70 6.3.4 Transferência de Imagens ao Google Earth Engine . . . . . . . . . . . . 72 6.3.5 Aplicação do Google Earth Engine . . . . . . . . . . . . . . . . . . . . . 73 7 DESENVOLVIMENTO FRONT-END . . . . . . . . . . . . . . 75 7.1 Escolha e Justificativas das Tecnologias Utilizadas ........ 75 7.1.1 HTML .................................... 75 7.1.2 JavaScript .................................. 76 7.1.3 CSS...................................... 76 7.1.4 Justificativa da Escolha . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 8 CONCLUSÃO............................. 78 8.1 Resultados ................................. 78 8.2 Contribuições ............................... 79 8.3 Trabalhos Futuros ............................ 80 REFERÊNCIAS ................................. 82 APÊNDICE A – FLUXO DE TRABALHO DO PROJETO . . . . . . . 84 22 1 INTRODUÇÃO Este trabalho é submetido à Escola Politécnica da Universidade de São Paulo como requisito parcial para a obtenção do título de Bacharel em Engenharia Elétrica. Desenvolvido em colaboração com pesquisadores do Instituto Nacional de Pesquisas Espaciais (INPE), participantes do Projeto Nexus, e com o Grupo de Estudos, Pesquisa e Extensão em Big Data da Escola Politécnica da USP, o trabalho consiste no desenvolvimento e disponibilização, na internet, de uma plataforma interativa capaz de mostrar graficamente a evolução da disposição das veredas situadas na área Nexus. A área Nexus refere-se a uma região brasileira composta pelos biomas Caatinga e Cerrado, localizada entre as bacias hidrográficas do Rio São Francisco (SFRB) e do Rio Parnaíba. Este território é de grande relevância devido à sua importância agrícola e energética, sendo objeto do Projeto Nexus, que busca promover o desenvolvimento sustentável dessa região estratégica (NEXUS, 2024). 1.1 MOTIVAÇÃO O Brasil é o país mais biologicamente diverso do mundo, estando classificado no topo entre os 17 países megadiversos do mundo, atrás apenas da Indonésia em termos de endemismo de espécies. O país abriga dois hotspots de biodiversidade (a Mata Atlântica e o Cerrado), seis biomas terrestres e três grandes ecossistemas marinhos. Atualmente, são conhecidas pelo menos 103 mil espécies de animais e 43 mil espécies de plantas, o que representa 70% das espécies animais e vegetais catalogadas no mundo. Estima-se que o Brasil abrigue entre 15 e 20% da diversidade biológica do planeta, com o maior número de espécies endêmicas em escala global. A biodiversidade do Brasil continua a se expandir, com uma média de 700 novas espécies de animais descobertas a cada ano (CDB, 2024). Nesse contexto, sabe-se que a biodiversidade é um recurso extremamente importante, não apenas pelos serviços ambientais que fornece, mas também pelas oportunidades que apresenta para o desenvolvimento e uso sustentável. Representado por mais de 200 povos indígenas e 170 idiomas, o Brasil também é megadiverso do ponto de vista cultural. Este grande número de comunidades e aldeias locais possui um conhecimento considerável sobre espécies de flora e fauna, incluindo sistemas tradicionais de manejo desses recursos naturais. A contribuição dessas comunidades é, portanto, fundamental para a conservação e o uso sustentável dos recursos genéticos e biológicos do país (CDB, 2024). Como reflexo do aumento do reconhecimento da abundância dos recursos naturais, cresce também a atenção dada à relevância do Brasil na gestão ambiental, tanto em 23 discussões do setor público quanto privado. Simultaneamente, temas associados à ciência da computação, como inteligência artificial e uso de dados de sensoriamento remoto, estão em destaque, ampliando os debates sobre o uso de tecnologia na preservação ambiental. Neste cenário, destaca-se a importância da implementação de políticas eficazes de preservação ambiental que garantam a conservação desses recursos para as gerações presentes e futuras. Em 2018, o governo brasileiro reforçou o valor estratégico da conectividade ecológica, considerando-a essencial na definição de áreas prioritárias para conservação, restauração e uso sustentável da vegetação nativa. Com essa visão, o Projeto Nexus, coordenado pelo INPE e patrocinado pela FAPESP, foi criado com o objetivo de desenvolver métodos que promovam a conectividade entre unidades da paisagem natural e ofereçam caminhos para a transição para um futuro sustentável nos biomas Cerrado e Caatinga. O projeto adota uma abordagem participativa que integra métodos qualitativos e quantitativos das ciências naturais e sociais, visando conciliar as dimensões econômica, social e ambiental da sustentabilidade (NEXUS, 2024). Focado inicialmente no Cerrado, o projeto busca contribuir para a gestão sustentável das savanas neotropicais, propondo estratégias para o uso racional de seus recursos naturais essenciais, como os estoques de terras para expansão agrícola e o potencial para geração de energia solar e eólica. Entre suas metas, destacam-se a criação de indicadores de sustentabilidade, a projeção de cenários futuros sobre o uso do solo e mudanças climáticas, e a disseminação de dados e resultados por meio de uma plataforma acessível à comunidade científica e à sociedade em geral. Esses esforços visam consolidar um modelo interdisciplinar de pesquisa capaz de orientar ações para a sustentabilidade e a preservação da biodiversidade (NEXUS, 2024). A região do Nexus, situada entre os biomas da Caatinga e do Cerrado, inclui áreas de bacias hidrográficas importantes, como as dos rios São Francisco e Parnaíba, e ocupa cerca de 3,4 milhões de quilômetros quadrados, representando aproximadamente 40% do território nacional. Com mais de 2.500 municípios, a região é o centro da agricultura comercial brasileira e se destaca por sua diversidade de recursos naturais. A crescente importância da preservação desse território incentivou o Projeto Nexus a buscar métodos de identificação e análise de elementos ambientais relevantes, como as veredas do Cerrado. 24 Figura 1.1 – Disposição da Área Nexus no Brasil. Fonte: GIUZIO et al. (2022). As veredas são áreas úmidas frequentemente compreendidas como florestas de galeria em zonas alagadiças. Essas áreas possuem importância estratégica única para a conservação, devido a diversos fatores, incluindo os serviços ecossistêmicos que oferecem, como o armazenamento e a filtragem do excesso de água da chuva. Por desempenharem esse papel, as veredas funcionam como reservatórios de grandes quantidades de carbono em seus solos orgânicos. Além disso, as veredas estão diretamente associadas aos sistemas de drenagem das nascentes das principais bacias hidrográficas do Cerrado, que, por sua vez, correspondem a cerca de dois terços das bacias hidrográficas brasileiras. Para realizar a identifcação, o projeto adotou plataformas de sensoriamento remoto, com destaque para o Google Earth Engine (GEE). O GEE oferece uma integração ampla de dados de sensoriamento remoto em alta resolução, acumulados ao longo de mais de quatro décadas, sendo uma ferramenta crucial para a estimativa de indicadores ambientais e sociais. Utilizando técnicas de Deep Learning e aprendizado por transferência (transfer learning), o projeto busca desenvolver um modelo de identificação das veredas, que possibilite compreender sua distribuição e degradação ao longo do tempo. O uso de modelos de Deep Learning para identificar e analisar a evolução da 25 distribuição das veredas no cerrado apresenta vantagens significativas, como a eliminação da necessidade de coleta presencial de dados e a automação da análise, resultando em uma compreensão mais abrangente e dinâmica das mudanças ambientais. 1.2 OBJETIVOS O objetivo deste trabalho é desenvolver uma plataforma dedicada à identificação e monitoramento temporal e espacial das veredas no cerrado brasileiro, utilizando modelos de aprendizado profundo. A estrutura do projeto está baseada em duas atividades principais: o experimento de Ciência de Dados, voltado para a criação dos modelos de identificação das veredas, e o desenvolvimento da plataforma de visualização. Com o avanço das pesquisas do projeto Nexus, buscou-se desenvolver métodos eficazes para identificar e classificar os elementos de biodiversidade na região de estudo, incluindo um algoritmo específico para avaliar as condições atuais e futuras das veredas no cerrado. Para isso, foram avaliadas plataformas de processamento de dados geoespaciais, e o Google Earth Engine (GEE) destacou-se por sua vasta base de dados de sensoriamento remoto de alta resolução, acumulando registros de mais de quatro décadas. Esta plataforma viabiliza a aplicação de modelos de Deep Learning, utilizando grandes volumes de dados para gerar indicadores ambientais de forma precisa. Essa abordagem visa ampliar a compreensão da deterioração das veredas no cerrado, tanto em escala espacial quanto temporal, reduzindo a necessidade de monitoramento constante em campo e automatizando a análise de dados. Assim, propõe-se o desenvolvimento de uma plataforma para visualização das áreas identificadas como veredas, permitindo que pesquisadores, autoridades e outros interessados possam explorar a evolução dessas áreas na região do Nexus. A primeira atividade, o experimento de Ciência de Dados, já foi implementada em fases anteriores do projeto, incluindo o desenvolvimento de um sistema para a identificação de veredas utilizando redes neurais convolucionais, inspirado na arquitetura UNet. Esse sistema, desenvolvido por pesquisadores do Projeto Nexus, captura tanto características gerais quanto detalhes específicos das veredas, empregando múltiplas iterações e técnicas de transferência de aprendizado para aprimorar a acurácia dos resultados. A metodologia está estabelecida, restando apenas a atualização dos modelos com dados mais recentes, o que contribuirá para a continuidade e atualidade das análises. O presente trabalho concentra-se, assim, na segunda atividade: o desenvolvimento da plataforma de visualização. Esta plataforma contará com uma interface interativa e intuitiva, permitindo a exploração dos dados de identificação de veredas ao longo de 32 máquina é filosoficamente e praticamente distinto. Com o risco de uma (considerável) simplificação, o aprendizado de máquina geralmente enfatiza a precisão preditiva em vez da inferência orientada por hipóteses, focando geralmente em grandes conjuntos de dados de alta dimensionalidade (ou seja, com muitas covariáveis) (BI et al., 2019). Nas últimas décadas, o aprendizado de máquina tem testemunhado avanços significativos, especialmente no campo do aprendizado profundo, onde redes neurais compostas por múltiplas camadas têm mostrado uma capacidade notável de aprender representações complexas de dados. Esse progresso tem beneficiado áreas como a visão computacional, o processamento de linguagem natural e os sistemas de recomendação, entre outros. Paralelamente ao avanço técnico, há um crescente foco na interpretabilidade e na legibilidade dos modelos de aprendizado de máquina, especialmente à medida que eles são aplicados em domínios sensíveis como saúde, finanças e justiça. Questões éticas, como a mitigação de vieses nos modelos, têm se tornado centrais na pesquisa e na aplicação dessas tecnologias. Assim, o aprendizado de máquina não apenas continua a ser um componente vital da IA, mas também desempenha um papel cada vez mais crítico na transformação da tecnologia e da sociedade, com seu impacto esperado a crescer exponencialmente nos próximos anos. 2.3.2 Deep Learning Deep Learning é um modelo de aprendizagem de máquina gerado pela sobreposição de módulos de representação não-lineares, cada um deles transformando a representação de dados dada a eles para uma representação mais abstrata, permitindo portanto o tratamento dos dados em vários níveis. Estes módulos de representação utilizam os próprios dados que eles processam para gerar seu próprio aprendizado e, portanto, a sua evolução (LECUN et al., 2015). Esse subcampo do Machine Learning tem revolucionado diversas áreas, incluindo visão computacional, processamento de linguagem natural e reconhecimento de fala, devido à sua capacidade de aprender representações hierárquicas dos dados. Diferentemente dos métodos tradicionais de aprendizado de máquina, que dependem de extração manual de características, o aprendizado profundo permite que modelos aprendam diretamente dos dados brutos, extraindo automaticamente características relevantes através de suas camadas. As redes neurais profundas, que constituem a base do aprendizado profundo, são compostas por múltiplas camadas de neurônios artificiais, onde cada camada transforma 33 as saídas da camada anterior em representações mais abstratas e complexas. A primeira camada, chamada de camada de entrada, recebe os dados brutos, enquanto a última camada, conhecida como camada de saída, gera a previsão final. As camadas intermediárias, ou camadas ocultas, são responsáveis por aprender as representações intermediárias dos dados. A capacidade dessas redes de capturar relações complexas e não lineares entre os dados faz com que o aprendizado profundo seja particularmente eficaz em tarefas como classificação de imagens, tradução automática e diagnóstico médico. Figura 2.5 – Representação esquemática de Redes Neurais. Fonte: Autor desconhecido.4 O aprendizado profundo utiliza várias técnicas e arquiteturas para otimizar o desempenho das redes neurais. Redes convolucionais (Convolutional Neural Networks, CNNs), por exemplo, são amplamente utilizadas em tarefas de visão computacional devido à sua habilidade de capturar padrões espaciais em imagens. Já as redes neurais recorrentes (Recurrent Neural Networks, RNNs) e suas variantes, como as redes LSTM (Long ShortTerm Memory), são particularmente eficazes no processamento de sequências temporais, sendo amplamente aplicadas em tarefas de processamento de linguagem natural e séries temporais. Além das arquiteturas, técnicas como regularização, normalização de batch (batch normalization), dropout, e otimização de gradientes são empregadas para melhorar a robustez e a eficiência dos modelos de aprendizado profundo. O treinamento dessas redes requer grandes volumes de dados e poder computacional significativo, o que tem sido facilitado pelos avanços em hardware, como GPUs (unidades de processamento gráfico) e TPUs (unidades de processamento tensorial), bem como pelo acesso a grandes bases de dados e a plataformas de aprendizado distribuído. 4 Disponível em: <https://sigmoidal.ai/redes-neurais-python-keras-2>. Acesso em: 15 de setembro, 2024. 34 O estado da arte no aprendizado profundo continua a evoluir rapidamente, impulsionado por inovações em arquiteturas de redes neurais, algoritmos de otimização e técnicas de treinamento. Modelos como as redes GANs (Generative Adversarial Networks), que permitem a geração de dados sintéticos realistas, e os transformadores, que revolucionaram o processamento de linguagem natural com modelos como BERT e GPT, são exemplos de como o campo tem avançado em direções inesperadas e altamente impactantes. 2.4 DESENVOLVIMENTO WEB O desenvolvimento web é um campo multifacetado que abrange a criação, construção e manutenção de websites e aplicações web, englobando tanto o front-end, que se refere à interface com a qual o usuário interage, quanto o back-end, que trata da lógica do servidor e da gestão de dados. Desde sua origem nos anos 1990, o desenvolvimento web tem evoluído rapidamente, acompanhando os avanços tecnológicos e as mudanças nas expectativas dos usuários. Esse campo se tornou fundamental para a comunicação, negócios, entretenimento e inúmeras outras áreas da vida moderna. O serviço de front-end e o serviço de back-end são os dois serviços independentes que compõem a aplicação web. Através de chamadas de API, esses dois serviços podem se comunicar entre si. Enquanto o front-end da aplicação gerencia a interação do usuário, o back-end lida com a lógica de negócios e banco de dados. Há vários benefícios em ter um serviço distinto para o front-end e o back-end, incluindo desenvolvimento rápido, atualizações simples e alta capacidade de manutenção. No entanto, isso também apresenta desvantagens, como o risco de executar duas instâncias diferentes do mesmo programa simultaneamente, o que interfere no pipeline de integração e implantação contínua (DINKU, 2022). O desenvolvimento web moderno é caracterizado pelo crescente uso de arquiteturas baseadas em microserviços. Diferente da abordagem monolítica tradicional, onde todas as funcionalidades de uma aplicação são integradas em um único código-base, os microserviços dividem a aplicação em serviços independentes, cada um executando uma função específica. Essa abordagem melhora a escalabilidade, facilita a manutenção e permite a implantação contínua, pois os desenvolvedores podem atualizar partes individuais da aplicação sem interromper todo o sistema. Outro aspecto crucial do desenvolvimento web contemporâneo é a integração com a computação em nuvem. A computação em nuvem facilita a implementação de práticas DevOps, que integram desenvolvimento e operações em um ciclo contínuo de desenvolvimento, teste e implantação. Essa integração promove automação, reduz o tempo de lançamento no mercado e melhora a qualidade do software. 35 No âmbito dos bancos de dados, o desenvolvimento web tem visto uma diversificação significativa. Enquanto os bancos de dados relacionais continuam a ser amplamente utilizados, os bancos de dados NoSQL ganharam destaque devido à sua flexibilidade e capacidade de lidar com grandes volumes de dados não estruturados. Além disso, tecnologias como GraphQL estão mudando a forma como as APIs são desenvolvidas, permitindo consultas mais eficientes e personalizadas em comparação com as tradicionais APIs REST. A segurança também se tornou uma preocupação central no desenvolvimento web. Com o aumento das ameaças cibernéticas, a proteção de dados sensíveis e a defesa contra ataques como Cross-Site Scripting (XSS), SQL Injection e Cross-Site Request Forgery (CSRF) tornaram-se fundamentais. Ferramentas e práticas de segurança, como HTTPS, Content Security Policy (CSP) e autenticação multifatorial, são agora integradas desde o início do processo de desenvolvimento. 2.4.1 Back-end O desenvolvimento back-end é um componente crucial para o funcionamento de aplicações web e móveis, sendo responsável pela implementação da lógica de negócios, gerenciamento de bancos de dados, autenticação de usuários e integração de sistemas. Esta área tem evoluído de forma acelerada nos últimos anos, incorporando novas tecnologias, arquiteturas e práticas para responder às crescentes demandas por escalabilidade, segurança e desempenho. Inicialmente, a arquitetura monolítica tradicional, onde todos os componentes de uma aplicação estão integrados em um único pacote, tem sido gradualmente substituída por arquiteturas baseadas em microserviços. Nesse novo modelo arquitetural, a aplicação é fragmentada em pequenos serviços independentes que se comunicam entre si, proporcionando maior flexibilidade, escalabilidade e facilidade de manutenção. Essa transição foi facilitada pelo surgimento de plataformas de orquestração como Kubernetes e Docker, que simplificam a implementação e gestão de microserviços. Paralelamente, frameworks modernos como Node.js, Django, Ruby on Rails e Spring Boot dominam o cenário de desenvolvimento back-end, fornecendo ferramentas robustas que facilitam a construção de aplicações. Esses frameworks oferecem bibliotecas e estruturas pré-construídas que automatizam tarefas comuns, como autenticação de usuários, manipulação de dados e roteamento de requisições, simplificando assim o processo de desenvolvimento. No que diz respeito aos bancos de dados, o desenvolvimento back-end tem se diversificado significativamente. Embora os bancos de dados relacionais, como MySQL, 36 PostgreSQL e Oracle, continuem a ser fundamentais, os bancos de dados NoSQL, como MongoDB, Cassandra e Redis, têm ganhado popularidade. Esses bancos de dados NoSQL são particularmente adequados para aplicações que lidam com grandes volumes de dados não estruturados ou semi-estruturados, oferecendo uma flexibilidade e escalabilidade que os bancos de dados relacionais tradicionais não conseguem alcançar facilmente. Além disso, o conceito de Data as a Service (DaaS) está emergindo, permitindo que organizações acessem, gerenciem e analisem dados em tempo real sem a necessidade de manter infraestruturas complexas. A computação em nuvem tem transformado o desenvolvimento back-end ao permitir que as empresas implantem, escalem e gerenciem suas aplicações de maneira eficiente e com custos otimizados. Plataformas como AWS, Microsoft Azure e Google Cloud oferecem uma vasta gama de serviços gerenciados que suportam diversas necessidades, desde o armazenamento de dados até a inteligência artificial e o aprendizado de máquina. Um avanço significativo neste domínio é o modelo de computação ’serverless’, onde os desenvolvedores escrevem código sem a preocupação com a infraestrutura subjacente. Serviços como AWS Lambda e Google Cloud Functions permitem que o código seja executado em resposta a eventos, escalando automaticamente conforme a demanda. Adicionalmente, a cultura DevOps, que integra desenvolvimento e operações, tornou-se um componente essencial do desenvolvimento back-end moderno. Essa prática promove a automação de todo o ciclo de vida do desenvolvimento de software, desde a integração contínua (CI) até a entrega contínua (CD). Ferramentas como Jenkins, GitLab CI e CircleCI facilitam a integração, testes e implantação de código de forma automatizada, melhorando a eficiência e a qualidade do software. A segurança também se tornou uma prioridade no desenvolvimento back-end, especialmente com o aumento das ameaças cibernéticas. A implementação de práticas como autenticação multifator (MFA), criptografia de dados e monitoramento contínuo é agora uma necessidade, e frameworks de segurança como OWASP são amplamente seguidos. Além disso, a conformidade com regulamentos como LGPD exige que as aplicações tratem os dados de usuários de forma segura e transparente. 2.4.2 Front-end O desenvolvimento de front-end, que se refere à construção da interface de usuário (UI) e experiência de usuário (UX) em aplicações web, tem se consolidado como um campo fundamental na engenharia de software, evoluindo rapidamente para atender às demandas crescentes por interfaces interativas, responsivas e acessíveis. As tecnologias de front-end englobam uma ampla gama de ferramentas e frameworks que permitem aos 37 desenvolvedores criar aplicações web complexas, funcionais e esteticamente agradáveis. O componente de um aplicativo ou site com o qual os usuários interagem é chamado de Front End ou Lado do Cliente da aplicação. Ele inclui tudo o que os usuários encontram diretamente, como imagens, botões, cores de texto, gráficos, tabelas, etc. HTML e CSS são usados para o design e a estilização, enquanto o JavaScript é utilizado para validações. Desempenho e responsividade são os dois principais objetivos do desenvolvimento de front-end (SHETTY et al., 2020). Historicamente, as três principais tecnologias que formam a base do desenvolvimento de front-end são HTML, CSS e JavaScript. O HTML estrutura o conteúdo da web, o CSS é responsável pela apresentação visual, e o JavaScript adiciona interatividade e dinamismo às páginas. A partir dessas tecnologias fundamentais, uma série de bibliotecas e frameworks emergiram, permitindo o desenvolvimento mais eficiente e robusto. Entre os frameworks de front-end mais proeminentes, destacam-se o React, o Angular e o Vue.js. O React, desenvolvido pelo Facebook, é uma biblioteca JavaScript focada na criação de interfaces de usuário por meio de componentes reutilizáveis. Ele introduziu o conceito de Virtual DOM, que melhora significativamente o desempenho das aplicações ao minimizar as operações de atualização da interface. O Angular, mantido pelo Google, é um framework completo que fornece uma solução integrada para o desenvolvimento de aplicações web, incluindo ferramentas para roteamento, gerenciamento de estado e integração com APIs. Já o Vue.js é uma framework progressiva, que pode ser adotada de forma incremental, proporcionando flexibilidade para os desenvolvedores. A evolução das tecnologias e práticas ligadas ao desenvolvimento front-end é marcado pela adoção de práticas e ferramentas que visam melhorar a performance, escalabilidade e manutenibilidade das aplicações. O uso de pré-processadores CSS, como SASS e LESS, permite a criação de estilos de forma mais organizada e com maior capacidade de reutilização. Além disso, a utilização de ferramentas de build, como Webpack e Vite, otimizam o processo de desenvolvimento, oferecendo funcionalidades como carregamento rápido, divisão de código e integração com diversos plugins. Outra tendência significativa é a ascensão de frameworks e ferramentas que permitem o desenvolvimento de aplicações de página única (Single Page Applications - SPAs) e aplicações progressivas na web (Progressive Web Applications - PWAs). As SPAs, construídas em frameworks como React e Angular, proporcionam uma experiência de usuário fluida, similar a uma aplicação desktop, ao carregar uma única página HTML e dinamicamente atualizar o conteúdo conforme necessário. As PWAs, por outro lado, combinam as melhores práticas da web e do mobile, permitindo que as aplicações web 38 funcionem offline, enviem notificações push e sejam instaladas como se fossem aplicativos nativos. Além disso, o uso de design systems e bibliotecas de componentes tem se tornado cada vez mais comum. Essas ferramentas, como Material UI e Bootstrap, padronizam o desenvolvimento de interfaces, garantindo consistência e qualidade em grandes equipes de desenvolvimento. No contexto atual, o front-end está cada vez mais integrado com tecnologias de backend através de arquiteturas como JAMstack (JavaScript, APIs, and Markup), que promovem a criação de aplicações rápidas e seguras, desacoplando o front-end do backend. O uso de APIs RESTful e GraphQL facilita a comunicação eficiente entre frontend e backend, permitindo o desenvolvimento de interfaces ricas e interativas com dados dinâmicos. 39 3 TECNOLOGIAS Esta seção busca elucidar mais detalhes das tecnologias que poderiam e foram efetivamente utilizadas para o desenvolvimento e a hospedagem da plataforma da visualização, assim como os locais e métodos para armazenamento de dados que alimentam a plataforma. 3.1 AMAZON WEB SERVICES A Amazon Web Services (AWS) é uma plataforma de computação em nuvem líder mundialmente, oferecida pela Amazon. Lançada em 2006, a AWS oferece uma ampla gama de serviços de computação em nuvem, incluindo armazenamento, banco de dados, análise, inteligência artificial, machine learning, Internet das Coisas (IoT), segurança, desenvolvimento de aplicativos, entre outros. A plataforma fornece uma infraestrutura global de data centers que permite que indivíduos e organizações executem suas cargas de trabalho com eficiência, escalabilidade e segurança, sem precisar gerenciar a infraestrutura física subjacente. A AWS é amplamente reconhecida por seu modelo de computação em nuvem flexível e altamente escalável, que permite às empresas ajustar recursos computacionais conforme a demanda, eliminando a necessidade de investimento em hardware físico e reduzindo os custos operacionais. A plataforma oferece mais de 200 serviços, categorizados em áreas como computação, armazenamento, banco de dados, redes, análise de dados, aprendizado de máquina, segurança e conformidade. Entre os serviços mais destacados estão o Amazon Elastic Compute Cloud (EC2), que oferece capacidade computacional sob demanda, e o Amazon Simple Storage Service (S3), um serviço de armazenamento de objetos altamente durável e escalável. A AWS disponibiliza os três modelos de serviço consagrados no mercado: Software as a Service (SaaS), Infrastructure as a Service (IaaS) e Plataform as a Service (PaaS). Sua abrangência inclui uma ampla gama de serviços de computação, armazenamento, banco de dados, análises, aplicação e implantação, oferecidos como utilidades on-demand, acessíveis em questão de segundos, o que auxilia as organizações a aumentarem sua agilidade, reduzirem custos de TI e escalarem suas aplicações de maneira eficiente (SINHA, 2020). Um dos avanços mais significativos da AWS é o conceito de computação ’serverless’, exemplificado pelo serviço AWS Lambda. Com o Lambda, os desenvolvedores podem executar código em resposta a eventos sem a necessidade de provisionar ou gerenciar 40 servidores, permitindo que as aplicações escalem automaticamente em resposta às demandas de carga. Este modelo reduz a complexidade operacional e os custos, pois os desenvolvedores só pagam pelo tempo de execução do código. Além disso, a AWS tem sido pioneira na oferta de serviços gerenciados de banco de dados, suportando tanto bancos de dados relacionais quanto não relacionais. O Amazon RDS (Relational Database Service) permite a fácil configuração, operação e escalabilidade de bancos de dados relacionais na nuvem, enquanto o Amazon DynamoDB oferece um serviço de banco de dados NoSQL totalmente gerenciado, conhecido por sua capacidade de lidar com grandes volumes de dados e tráfego intenso com baixa latência. Para consolidar-se como um provedor global de nuvem pública, a AWS mantém uma rede mundial de infraestrutura que suporta e gerencia seu crescente portfólio de serviços de nuvem, atendendo clientes em escala global. A AWS é amplamente reconhecida por sua eficiência em termos de economia de tempo, flexibilidade, confiabilidade, segurança e custo-benefício. Este conjunto de atributos faz da AWS uma solução tecnológica robusta para a resolução de questões relacionadas à computação. Além disso, ao utilizar a AWS, as organizações não necessitam se preocupar com a manutenção de centros de dados, uma vez que toda a gestão é realizada pela própria AWS (SINHA, 2020). A AWS também se destaca no campo de inteligência artificial e aprendizado de máquina, oferecendo serviços como Amazon SageMaker, que facilita a construção, treinamento e implantação de modelos de machine learning em escala. Além disso, a plataforma disponibiliza uma série de APIs de IA, incluindo reconhecimento de imagem, processamento de linguagem natural e predição de séries temporais, que permitem aos desenvolvedores integrar facilmente capacidades de IA em suas aplicações. Em termos de segurança e conformidade, a AWS adota uma abordagem rigorosa, com um modelo de responsabilidade compartilhada que assegura que tanto a infraestrutura da nuvem quanto as aplicações dos clientes estejam protegidas. A plataforma suporta mais de 90 padrões de conformidade e certificações de segurança, tornando-se uma escolha atraente para setores regulamentados, como finanças e saúde. A AWS continua a inovar e expandir seu portfólio de serviços. A adoção de arquiteturas orientadas a eventos, a integração com tecnologias emergentes como blockchain e a oferta de ferramentas avançadas de automação e DevOps são exemplos de como a AWS está moldando o futuro da computação em nuvem. Além disso, a AWS está investindo significativamente em computação quântica com o Amazon Braket, que permite aos pesquisadores e desenvolvedores explorar algoritmos quânticos em um ambiente gerenciado. 41 3.1.1 Amazon EC2 O Amazon EC2 é um dos serviços centrais da AWS, desempenhando um papel crucial na popularização e consolidação da computação em nuvem. O serviço oferece capacidade de computação escalável na nuvem, permitindo que as organizações provisionem e gerenciem servidores virtuais, conhecidos como ’instâncias’, de maneira flexível e sob demanda. Este serviço possibilita que empresas de todos os portes executem cargas de trabalho variadas, desde simples aplicativos web até complexas simulações científicas, sem a necessidade de investir em infraestrutura física. O Amazon EC2 é projetado para oferecer uma ampla gama de opções de configuração, o que inclui diferentes tipos de instâncias, otimizadas para diversas necessidades de processamento, memória, armazenamento e rede. Isso permite que os usuários escolham a instância mais adequada para sua aplicação específica, otimizando o desempenho e os custos operacionais. As instâncias podem ser iniciadas e encerradas conforme necessário, proporcionando uma elasticidade que é fundamental para gerenciar variações na carga de trabalho. Os clientes do Amazon EC2 alugam máquinas virtuais chamadas instâncias, de modo que cada instância possui um tipo que descreve seus recursos computacionais da seguinte forma: m1.small, m1.large e m1.xlarge denotam, respectivamente, instâncias ‘padrão’ pequenas, grandes e extra grandes; m2.xlarge, m2.2xlarge e m2.4xlarge denotam, respectivamente, instâncias ‘de alta memória’ extra grandes, duplamente extra grandes e quadruplicadamente extra grandes; e c1.medium e c1.xlarge denotam, respectivamente, instâncias ‘de alta CPU’ médias e extra grandes (BEN-YEHUDA et al., 2013). Um dos aspectos mais inovadores do Amazon EC2 é sua capacidade de escalabilidade automática, por meio de serviços como o Auto Scaling e o Elastic Load Balancing. O Auto Scaling permite que as instâncias aumentem ou diminuam automaticamente em resposta à demanda, garantindo que as aplicações permaneçam disponíveis e eficientes em momentos de pico de uso, ao mesmo tempo em que ajudam a minimizar custos durante períodos de menor atividade. O Elastic Load Balancing, por sua vez, distribui automaticamente o tráfego de rede entre várias instâncias, assegurando a alta disponibilidade das aplicações. Além disso, o Amazon EC2 oferece diversas opções de armazenamento, incluindo o Amazon Elastic Block Store (EBS) para armazenamento persistente em nível de bloco, e o Amazon Elastic File System (EFS) para armazenamento de arquivos, proporcionando soluções flexíveis e escaláveis para diferentes tipos de dados e cargas de trabalho. O EC2 também se integra de forma nativa com outros serviços AWS, como Amazon S3, para 48 projetado com a filosofia de ’não repetir a si mesmo’ (DRY - Don’t Repeat Yourself), enfatizando a reutilização de código, a modularidade e a redução da redundância no desenvolvimento. Este framework oferece uma abordagem estruturada para a construção de aplicações web, permitindo que os desenvolvedores foquem em escrever código limpo e eficiente, enquanto Django cuida de aspectos fundamentais, como a segurança, a autenticação de usuários, e a administração de banco de dados. Uma das principais características do Django é seu ORM (Object-Relational Mapping), que permite que os desenvolvedores interajam com bancos de dados relacionais de maneira intuitiva, usando objetos Python ao invés de escrever SQL diretamente. O ORM do Django suporta várias bases de dados, como PostgreSQL, MySQL, SQLite e Oracle, e permite a migração fácil entre elas, proporcionando uma camada de abstração que simplifica a gestão e a manipulação de dados. Essa funcionalidade não apenas acelera o desenvolvimento, mas também promove a portabilidade e a manutenção do código. Django é conhecido por seu foco em segurança, integrando medidas robustas para proteger as aplicações web contra ameaças comuns, como SQL injection, XSS, e CRFS. Além disso, o framework facilita a implementação de práticas de segurança, como o uso de senhas criptografadas, a configuração de políticas de autenticação e autorização de usuários, e a proteção contra ataques de clickjacking. Essa ênfase na segurança torna Django uma escolha popular para a construção de aplicações web que lidam com dados sensíveis, como em setores financeiros e de saúde. O framework segue o padrão de arquitetura Model-View-Template (MVT), que é uma variante do Model-View-Controller (MVC). Nessa arquitetura, o "Model"representa a estrutura e a lógica de negócios dos dados, o "View"é responsável pela apresentação da informação ao usuário, e o "Template"é a camada que define a interface de usuário através de uma linguagem de template baseada em HTML. Esse design modular permite um desenvolvimento mais organizado e facilita a manutenção e a evolução das aplicações ao longo do tempo. Outra característica notável do Django é seu sistema de administração automático, gerado a partir dos modelos de dados definidos pelo desenvolvedor. Esse sistema de administração oferece uma interface web pronta para uso que permite a manipulação e gestão dos dados da aplicação sem a necessidade de código adicional, o que é particularmente útil durante o desenvolvimento e para a administração de conteúdo em produção. Django também se destaca por sua escalabilidade, sendo utilizado para construir desde pequenos sites até grandes plataformas web com milhões de usuários. A flexibilidade do framework permite que ele se adapte a diferentes cargas de trabalho, suportando 49 o crescimento das aplicações ao longo do tempo. O uso de componentes reutilizáveis, middlewares e a possibilidade de integração com outras tecnologias e serviços, como caches de memória (e.g., Memcached, Redis) e serviços de nuvem, aumentam ainda mais sua capacidade de lidar com aplicações em grande escala. No contexto do desenvolvimento web moderno, Django continua a ser um dos frameworks mais populares e amplamente adotados, sustentado por uma comunidade ativa e uma rica documentação. A comunidade Django contribui regularmente com pacotes e extensões que expandem as capacidades do framework, facilitando a integração com novas tecnologias e melhorando a eficiência do desenvolvimento. 3.4 HTML O HyperText Markup Language (HTML) é a linguagem padrão utilizada na criação de documentos que são exibidos em navegadores web. Desde sua criação em 1991 por Tim Berners-Lee, o HTML passou por diversas evoluções, consolidando-se como a base da estruturação de conteúdo na internet. Sua principal função é organizar e estruturar informações textuais e multimídias, permitindo que sejam interpretadas de forma consistente por diferentes navegadores. O HTML oferece suporte a uma ampla variedade de conteúdos, incluindo textos, planilhas, clipes de vídeo, animações e imagens. A página da web, frequentemente referida como "documento"em termos técnicos, tem seu tipo de documento definido no início do código, o que determina a natureza do documento e como ele deve ser interpretado pelo navegador durante a renderização. Como componente essencial da World Wide Web, o HTML passou por diversas fases de desenvolvimento desde 1991 até o presente, com a versão inicial sendo o HTML e a versão mais recente sendo o HTML5 (GHIMIRE, 2020) A arquitetura do HTML é baseada em uma série de elementos e tags, que descrevem diferentes partes de um documento, como títulos, parágrafos, links, imagens, tabelas e listas. Cada elemento é definido por uma tag que pode conter atributos adicionais para especificar o comportamento ou aparência deste conteúdo. Um aspecto crucial do HTML é sua semântica, que foi amplamente aprimorada com a introdução do HTML5 em 2014. Essa versão trouxe novas tags semânticas, como <header>,<footer>,<article>, e <section>, que permitem uma descrição mais precisa da estrutura e do propósito do conteúdo, melhorando tanto a acessibilidade quanto o SEO (Search Engine Optimization). A expansão do HTML está intrinsecamente ligado à contínua evolução dos padrões web e ao desenvolvimento colaborativo de organizações como o World Wide Web Consortium (W3C) e a Web Hypertext Application Technology Working Group (WHATWG). Es- 50 sas organizações trabalham em conjunto para manter e evoluir o padrão HTML, adaptandoo às novas necessidades da web moderna, como o suporte a novos formatos de mídia, melhor desempenho em dispositivos móveis e integração com APIs avançadas para aplicações web interativas. Além disso, o HTML5 introduziu APIs nativas que expandem as capacidades das páginas web, como a API de Geolocalização, a API de Armazenamento Local e a API de Multimídia, que permitem o desenvolvimento de aplicações web ricas sem a necessidade de plugins externos. O HTML5 também melhorou o suporte para gráficos e animações por meio da integração com a API <canvas>, que possibilita o desenho de gráficos dinâmicos diretamente no navegador. Nesse contexto, a contínua introdução de novos padrões e a evolução dos navegadores web garantem que o HTML permaneça relevante, eficiente e capaz de suportar as inovações no desenvolvimento web. A tendência é que o HTML continue a ser um pilar central na construção de experiências digitais, com futuras evoluções focadas na simplificação do desenvolvimento, melhoria da acessibilidade, e integração mais profunda com outras tecnologias emergentes da web, como WebAssembly e Web Components. 3.5 CSS O Cascading Style Sheets (CSS) é uma linguagem de estilo utilizada na web para definir a apresentação visual de documentos escritos em HTML ou XML. Desde sua introdução em meados da década de 1990, o CSS tornou-se uma ferramenta fundamental para o desenvolvimento web, permitindo separar o conteúdo de um documento de sua apresentação, o que facilita a manutenção, reutilização e personalização de interfaces. O CSS atua como uma camada de design que especifica como os elementos de uma página devem ser exibidos em termos de layout, cores, fontes, espaçamento, e outros aspectos visuais. Ao trabalhar em conjunto com HTML, o CSS permite criar layouts responsivos e atraentes, capazes de se adaptar a diferentes dispositivos e resoluções de tela, melhorando significativamente a experiência do usuário. A arquitetura do CSS é baseada em seletores, que identificam os elementos do documento a serem estilizados, e declarações, que especificam os estilos aplicáveis. O CSS define três possíveis fontes para folhas de estilo: autores, leitores e navegadores, sendo capaz de combinar folhas de estilo dessas fontes para formar a apresentação de um documento. O processo de combinar várias folhas de estilo – e resolver conflitos caso ocorram, com base em critérios como especificidade, importância e origem das regras – é conhecido como cascata, característica central da linguagem (LIE, 2006). 51 O CSS está submetido a um processo de evolução contínua, com a introdução de novos módulos e funcionalidades que expandem suas capacidades. Entre os avanços mais significativos, destaca-se o CSS Grid Layout e o Flexbox, que proporcionam métodos modernos e flexíveis para a criação de layouts complexos e responsivos sem a necessidade de hacks ou soluções alternativas que eram comuns em versões anteriores do CSS. Essas tecnologias permitem um controle preciso sobre o posicionamento, alinhamento e dimensionamento de elementos dentro de uma página. Outra inovação importante é a introdução de variáveis CSS (ou custom properties), que permitem a reutilização de valores em diferentes partes de uma folha de estilo, facilitando a manutenção e atualização de temas. As variáveis, juntamente com novos recursos como media queries e funções de cálculo, permitem que os desenvolvedores criem interfaces dinâmicas que se adaptam automaticamente a diferentes condições, como tamanhos de tela, preferências de esquema de cores, e outros fatores contextuais. O CSS também evoluiu para melhorar o suporte à acessibilidade e à internacionalização, com a introdução de novas propriedades que facilitam a criação de interfaces inclusivas para usuários com diferentes necessidades e preferências culturais. Além disso, o CSS moderno incorpora recursos avançados de animação e transição, permitindo a criação de efeitos visuais sofisticados sem a necessidade de JavaScript adicional. No contexto atual, o CSS continua a ser uma linguagem essencial para o desenvolvimento web, com uma comunidade ativa de desenvolvedores e a constante atualização dos padrões pelo World Wide Web Consortium (W3C). A introdução de novas funcionalidades, como o CSS Houdini, que oferece APIs para estender o comportamento do CSS além de suas capacidades nativas, representa a vanguarda da inovação na linguagem. Esses avanços indicam uma tendência crescente de maior controle e personalização na criação de interfaces, bem como uma maior integração entre o CSS e outras tecnologias da web. 3.6 JAVASCRIPT Criado originalmente por Brendan Eich em 1995, o JavaScript se consolidou como uma das principais linguagens de programação na web, reconhecida por sua versatilidade e capacidade de adicionar interatividade e dinamismo às páginas web. Esta linguagem de programação do lado do cliente permite a manipulação dinâmica de elementos HTML, a resposta a eventos do usuário e a comunicação assíncrona com servidores, enriquecendo a experiência do usuário e possibilitando a criação de aplicações web altamente interativas. Através do JavaScript, um script simples pode ser inserido inline no documento HTML ou em um arquivo separado, vinculado por meio de uma tag no cabeçalho do 52 arquivo. Dessa forma, o documento HTML identifica qual script deve ser carregado e de qual local. A principal característica do JavaScript é a capacidade de carregar ou atualizar o conteúdo da página sem recarregar toda a página, direcionando apenas a tag relevante. Além disso, permite a adição dinâmica de estilos CSS conforme necessário (GHIMIRE, 2020). O JavaScript é uma linguagem de alto nível, interpretada, e baseada em eventos, o que a torna ideal para manipulação do Document Object Model (DOM), validação de formulários, e criação de animações interativas. Seu papel expandiu-se significativamente com o tempo, especialmente com o advento do AJAX (Asynchronous JavaScript and XML) no início dos anos 2000, que possibilitou o desenvolvimento de aplicações de página única (Single Page Applications - SPAs) e a interação assíncrona com servidores sem a necessidade de recarregar a página. Isso marcou o início de uma nova era de interfaces mais rápidas e responsivas. O progresso do JavaScript reflete uma trajetória contínua, impulsionada por uma comunidade ativa e por inovações tecnológicas. Um marco significativo nesse desenvolvimento foi a introdução do ECMAScript 6 (ES6) em 2015, que trouxe várias melhorias à linguagem, como a inclusão de classes, módulos, arrow functions e promessas, que facilitaram a escrita de código mais limpo, modular e eficiente. Essas funcionalidades transformaram o JavaScript em uma linguagem mais poderosa e expressiva, adequada para o desenvolvimento tanto de front-end quanto de back-end, especialmente com a popularização do Node.js, que permite a execução de JavaScript no servidor. No front-end, bibliotecas e frameworks como React, Angular, e Vue.js revolucionaram a forma como aplicações web são construídas. O React, criado pelo Facebook, popularizou o conceito de componentes reutilizáveis e a manipulação eficiente do DOM através do Virtual DOM. O Angular, mantido pelo Google, oferece uma estrutura robusta para a criação de aplicações escaláveis, com uma ênfase na integração e na arquitetura MVVM (Model-View-ViewModel). O Vue.js, por sua vez, combina as melhores características de ambos, oferecendo uma curva de aprendizado suave e flexibilidade para se adaptar a diferentes projetos. O JavaScript moderno também tem se beneficiado de ferramentas de build como Webpack e Babel, que permitem a transpilação de código e a otimização de desempenho, e de gerenciadores de pacotes como npm e Yarn, que facilitam a gestão de dependências. Além disso, o TypeScript, um superset do JavaScript desenvolvido pela Microsoft, introduziu tipagem estática à linguagem, melhorando a detecção de erros em tempo de desenvolvimento e aumentando a robustez do código. 53 Por outro lado, as inovações no JavaScript não se limitam ao front-end. No backend, o Node.js expandiu o uso da linguagem, permitindo que os desenvolvedores utilizem JavaScript em toda a stack de desenvolvimento, facilitando a criação de aplicações web de alta performance, como APIs RESTful e serviços de microserviços. O estado da arte inclui também o uso crescente de arquiteturas orientadas a eventos e programação reativa, exemplificadas por frameworks como RxJS, que permitem o gerenciamento eficiente de fluxos de dados assíncronos. Além disso, o JavaScript tem desempenhado um papel crescente no desenvolvimento de aplicações móveis híbridas e desktop, através de frameworks como React Native e Electron, respectivamente. Essas tecnologias permitem que os desenvolvedores utilizem um único código base em JavaScript para criar aplicações que funcionam em múltiplas plataformas, reduzindo o tempo e os custos de desenvolvimento. Em termos de futuro, o JavaScript continua a evoluir, com o ECMA International lançando atualizações anuais que introduzem novas funcionalidades e melhorias de desempenho. A linguagem está cada vez mais integrada com outras tecnologias emergentes, como WebAssembly, que permite a execução de código de baixo nível no navegador com alto desempenho, e o desenvolvimento de Web Components, que promovem a criação de elementos de interface reutilizáveis nativamente suportados pelos navegadores. 54 4 TRABALHOS RELACIONADOS 4.1 GIUZIO ET AL. (2023) O projeto de formatura intitulado “Estimation of Socioeconomic Indicators through Satellite Imagery in the Nexus Area” tem como objetivo principal propor uma metodologia para a estimativa de indicadores socioeconômicos no território brasileiro, especificamente na região Nexus, utilizando imagens de satélite e técnicas de aprendizado profundo. Dado o vasto território brasileiro e a dificuldade de realizar censos frequentes e abrangentes, o trabalho propõe o uso de imagens de satélite como uma alternativa para estimar indicadores socioeconômicos. Embora o IBGE forneça dados censitários, a periodicidade desses censos (a cada 10 anos) e os desafios de acessibilidade em algumas regiões tornam difícil obter uma visão em tempo real da situação socioeconômica. O uso de imagens de satélite e aprendizado de máquina possibilita estimar esses indicadores com maior frequência e menor custo. O trabalho tem como os seus dois principais objetivos (i) desenvolver uma metodologia reproduzível para estimar indicadores socioeconômicos na área Nexus usando aprendizado profundo, através de modelos de Deep Learning com imagens multiespectrais e de luz noturna; e (ii) propor e desenvolver uma plataforma interativa que permita visualizar e explorar os indicadores estimados para diferentes regiões e períodos de tempo. A metodologia adotada foi dividida em duas etapas principais: a aquisição de dados e a estimativa dos indicadores. Ao longo da etapa de aquisição de dados, foram utilizados dois tipos principais de dados: (i) indicadores socioeconômicos: Mais de 100 indicadores fornecidos pelo INPE e IBGE, que incluem dados sobre renda, alfabetização e longevidade, baseados no censo de 2010; e (ii) imagens de satélite: Imagens multiespectrais e de luz noturna coletadas através da plataforma Google Earth Engine. Os dados foram organizados de maneira a permitir a segmentação da área de estudo em clusters, que foram posteriormente utilizados no treinamento dos modelos de aprendizado profundo. Já na etapa de estimativa de indicadores socioeconômicos, foram treinados modelos de Deep Learning baseados na arquitetura ResNet-18 para estimar os indicadores a partir das imagens de satélite. Modelos separados foram treinados para cada tipo de dado: imagens multiespectrais e imagens de luz noturna. Além disso, foi treinado um modelo combinado, utilizando ambos os tipos de imagens para melhorar a acurácia das estimativas. Os resultados obtidos indicam que as imagens multiespectrais foram mais eficazes 55 na previsão dos indicadores do que as imagens de luz noturna, devido a limitações de dados nas imagens noturnas. O melhor modelo alcançou uma correlação de 42% entre os indicadores preditos e os valores reais, um resultado considerado promissor em comparação ao trabalho de referência (70%), consideradno ainda que os modelos podem ser melhorados como proposto ao longo do trabalho. O trabalho conseguiu criar uma metodologia documentada para a estimativa de indicadores socioeconômicos a partir de imagens de satélite, aplicável ao cenário brasileiro. A plataforma interativa proposta permite que os resultados sejam visualizados em um mapa do Brasil, facilitando a exploração dos dados para diferentes regiões e anos. Além disso, o trabalho contribuiu com a criação de um novo conjunto de dados, resultado da fusão dos indicadores socioeconômicos com as informações geográficas e administrativas dos setores censitários brasileiros. Figura 4.1 – Plataforma de visualização de desenvolvida por GIUZIO et al. (2022). Fonte: GIUZIO et al. (2022). 4.2 MEHMOOD ET AL. (2021) O artigo intitulado “Mapping of Flood Areas Using Landsat with Google Earth Engine Cloud Platform” publicado na revista Atmosphere explora a utilização de imagens Landsat e a plataforma Google Earth Engine (GEE) para o mapeamento de áreas de inundação. Esta pesquisa visa preencher lacunas de dados, especialmente em países em desenvolvimento, onde as informações sobre riscos de inundação são escassas ou desatualizadas. Os Desastres Relacionados à Água (WRD), como inundações, são responsáveis por cerca de 90% dos desastres naturais globais. Desde 2000, mais de 5300 WRD foram 56 registrados, resultando em mais de 325 mil mortes e perdas econômicas superiores a US$ 1,7 trilhões. As inundações representam 54% desses desastres. O estudo sublinha a importância de prever a extensão das inundações para mitigar os impactos socioeconômicos, uma vez que essas catástrofes têm crescido em frequência e intensidade devido às mudanças climáticas. A modelagem de inundações com precisão geralmente requer modelos complexos, que são custosos em termos de tempo e recursos. Em países como o Canadá, a atualização de mapas nacionais de inundações pode custar US$ 350 milhões e levar uma década. A situação é ainda mais grave em países em desenvolvimento, onde mapas de risco de inundação são muitas vezes inexistentes ou inadequados. O artigo apresenta o desenvolvimento de um Algoritmo de Mapeamento de Inundações (Flood Mapping Algorithm - FMA), que utiliza dados das imagens de satélite Landsat 5, 7 e 8, processadas na plataforma GEE. O FMA se baseia na criação de um “data cube”, composto por uma pilha de pixels sobrepostos de imagens Landsat capturadas ao longo do tempo. Esse cubo de dados permite a identificação de corpos d’água temporários e permanentes usando o Índice Modificado de Diferença Normalizada da Água (MNDWI), combinado com dados de elevação e uso do solo. O algoritmo segue cinco etapas principais: (1) extração de imagens; (2) filtragem de nuvens; (3) mapeamento de bandas; (4) classificação da água; e (5) mascaramento com dados HAND (Altura Acima da Drenagem mais Próxima) e NDVI (Índice de Vegetação por Diferença Normalizada). O FMA é projetado para gerar mapas históricos de inundação, com uma resolução espacial de 30 metros, cobrindo eventos globais onde a escassez de dados é significativa. Figura 4.2 – Representação esquemática do fluxo de trabalho utilizado no artigo. Fonte: Mehmood et al. (2021). 57 O FMA foi validado por meio de nove eventos de inundação em várias partes do mundo, incluindo Austrália, Bangladesh, Canadá, Camboja, Índia, Moçambique, Sri Lanka e Tailândia. Os resultados foram comparados com mapas de inundação de agências nacionais e regionais, utilizando métricas como taxa de verdadeiros positivos (TPR), taxa de falsos positivos (FPR) e acurácia geral. A TPR variou de 71% a 90%, com uma acurácia geral entre 74% e 89%, o que indica uma alta precisão na detecção de áreas de inundação. Os melhores desempenhos foram observados em áreas rurais com pouca cobertura arbórea e estruturas urbanas, como no evento de inundação em Queensland, Austrália, que teve uma TPR de 90% e acurácia de 89%. Em áreas urbanas densas, como em Dhaka e Bangkok, o desempenho foi ligeiramente inferior, com uma TPR em torno de 71% a 74%, devido à dificuldade de distinguir a água em áreas construídas. O FMA oferece uma solução econômica e eficiente para o mapeamento de inundações, especialmente em países do hemisfério sul, onde a criação de sistemas de alerta e mapas históricos é uma tarefa cara e demorada. O algoritmo pode ser integrado em sistemas de planejamento de uso da terra, serviços de emergência e até em seguros agrícolas, fornecendo dados valiosos para mitigar os impactos de inundações. O artigo conclui que o FMA pode ser uma ferramenta eficaz para complementar mapas de risco de inundação e auxiliar em sistemas de monitoramento e mitigação. O algoritmo também pode gerar dados de treinamento para modelos de aprendizado de máquina voltados para previsão de inundações. No entanto, reconhece-se que há espaço para melhorias, como a inclusão de dados Sentinel-2 no fluxo de trabalho e a combinação com dados demográficos para criar uma ferramenta mais abrangente. 64 grandes volumes de dados geoespaciais e a robustez na segurança são primordiais. O Python desempenha um papel fundamental no projeto, agindo como um pilar de robustez, particularmente por meio de suas bibliotecas especializadas em integração via APIs e framework Django para o desenvolvimento back-end. A biblioteca “requests“ de Python simplifica significativamente a integração com plataformas externas, como o Google Earth Engine. Esta integração é vital para a automatização do fluxo de dados, que sustenta as funcionalidades analíticas avançadas da plataforma. Com “requests“, a plataforma pode eficientemente consultar e recuperar dados de sensoriamento remoto, permitindo que análises ambientais sejam realizadas com dados atualizados e precisos. Essa capacidade de integração facilita a implementação de modelos de aprendizado de máquina e outras análises estatísticas, que são fundamentais para prever e monitorar as dinâmicas das veredas no contexto do Cerrado brasileiro. O Django, com sua arquitetura sofisticada, desempenha um papel vital no desenvolvimento ágil e eficaz do back-end, simplificando a administração de componentes essenciais do sistema. A implementação deste framework é particularmente benéfica para a gestão de usuários na plataforma, uma vez que seu módulo de autenticação integrado assegura um controle seguro e eficiente. Isso é crucial em um contexto onde múltiplos usuários, incluindo pesquisadores e formuladores de políticas, dependem de acesso confiável a informações sensíveis relativas às veredas. Adicionalmente, a interface administrativa gerada automaticamente por Django facilita uma administração eficiente do conteúdo e das atividades na plataforma. Esta funcionalidade é indispensável para monitorar a integridade e precisão dos dados apresentados, garantindo que as visualizações das veredas sejam precisas e confiáveis. A utilização do Object-Relational Mapping (ORM) do Django também é fundamental, pois minimiza a susceptibilidade a erros na manipulação de modelos de dados. Isso simplifica as operações com os extensos conjuntos de dados provenientes do Google Earth Engine, que são vitais para conduzir análises ambientais rigorosas. O suporte do Django a middlewares é outro recurso estratégico, permitindo a implementação de funções personalizadas para processar requisições. Este aspecto é essencial para a filtragem e processamento específicos dos dados geoespaciais das veredas, facilitando intervenções precisas e contextualizadas no fluxo de dados. Finalmente, a robustez do Django em incorporar proteções contra vulnerabilidades comuns da web reforça a segurança da plataforma, salvaguardando a integridade dos 65 dados sobre as veredas. Este nível de segurança é crucial para manter a credibilidade das pesquisas e análises disponibilizadas à comunidade científica e ao público em geral, assegurando que as informações são protegidas contra ameaças externas. 6.1.2 Google Earth Engine O Google Earth Engine é uma plataforma robusta para o processamento geoespacial que desempenha um papel crucial no nosso projeto, especialmente na manipulação visual dos dados das veredas. Esta plataforma não apenas fornece acesso a uma vasta quantidade de dados de sensoriamento remoto, mas também possui capacidades avançadas de visualização e análise que são essenciais para a nossa investigação das veredas no Cerrado brasileiro. Utilizando o GEE, podemos extrair características visuais específicas dos mapas, que são fundamentais para identificar e monitorar as veredas. A plataforma permite aplicar filtros avançados sobre os dados de imagem, facilitando a separação de características relevantes como vegetação, corpos d’água e alterações antrópicas no terreno. Esta filtragem é crucial para isolar as áreas de veredas das demais características do Cerrado, permitindo uma análise mais precisa e focada. Além da filtragem, o GEE possibilita a utilização de máscaras para melhorar a visualização e disposição dos dados sobre as veredas. As máscaras podem ser aplicadas para destacar regiões específicas ou para ocultar áreas menos relevantes, melhorando assim a clareza dos mapas gerados. Essa técnica é particularmente útil para sobrepor dados de veredas sobre imagens de satélite, permitindo que pesquisadores e tomadores de decisão visualizem as informações de forma intuitiva e acessível. A capacidade do GEE de manipular visualmente os dados de sensoriamento remoto transforma a forma como as informações sobre as veredas são apresentadas e interpretadas. Ao aplicar filtros e máscaras, transformamos dados brutos em representações visuais claras que podem ser facilmente compreendidas por cientistas, gestores ambientais e o público. Essas representações visuais não apenas facilitam o monitoramento das condições atuais das veredas, mas também ajudam na previsão de tendências de mudança, essenciais para a conservação e o manejo sustentável do bioma Cerrado. Portanto, o uso do Google Earth Engine amplia significativamente nossas capacidades de análise visual e interpretação de dados geoespaciais, tornando-se uma ferramenta indispensável para a nossa plataforma de visualização de veredas. Esta integração não só enriquece nosso trabalho de formatura com insights valiosos e representações detalhadas, mas também reforça o impacto científico e aplicado do projeto na conservação ambiental e 66 na pesquisa. 6.2 ARQUITETURA DO SISTEMA A arquitetura do sistema para a plataforma de visualização de veredas no Cerrado brasileiro foi planejada seguindo o padrão Model-View-Controller (MVC), uma metodologia bem estabelecida utilizada pelo Django para organizar o código de forma lógica e modular. Este padrão divide o sistema em três componentes principais, cada um responsável por uma aspecto distinto da aplicação, o que facilita a manutenção e a escalabilidade do projeto. 6.2.1 Models (Modelos) Os modelos no Django são a espinha dorsal da estrutura de dados do sistema. Eles definem a organização lógica dos dados, cada modelo representando uma tabela no banco de dados. No contexto deste projeto, os modelos foram criados para capturar todos os dados essenciais relacionados às veredas, incluindo: − Metadados das Imagens: Cada conjunto de dados de imagens de satélite armazenado tem seu modelo correspondente que inclui atributos como data da captura, resolução, e parâmetros específicos do sensor. − Informações das Áreas de Veredas: Dados geoespaciais que definem a localização e as características específicas das veredas, como tipo de vegetação, status de conservação, e histórico de alterações ambientais. − Registros de Análises Temporais: Modelos que armazenam os resultados das análises feitas sobre as séries temporais dos dados capturados, permitindo o acompanhamento de mudanças nas veredas ao longo do tempo. Utilizando o ORM (Object-Relational Mapping) do Django, estes modelos abstraem as operações do banco de dados, permitindo que os desenvolvedores interajam com a base de dados usando Python, sem a necessidade de escrever consultas SQL complexas. Essa abstração também facilita a portabilidade da aplicação para diferentes sistemas de banco de dados, oferecendo uma flexibilidade significativa no manejo dos dados. 6.2.2 Views (Visões) As visões em Django funcionam como o componente que coordena a lógica de negócios, processando os dados recebidos das requisições dos usuários e enviando respostas 67 apropriadas. No projeto em questão, as visões interagem diretamente com o Google Earth Engine para: − Solicitar Dados de Satélite: Comandos são enviados para o Google Earth Engine para recuperar imagens e dados específicos baseados em critérios como datas, localização geográfica ou outros filtros ambientais relevantes. − Processar Dados Recebidos: As visões aplicam algoritmos de processamento e análise para interpretar os dados de satélite, extrair características relevantes das veredas e realizar comparações temporais. Estas visões são implementadas como classes ou funções em Python que lidam com as requisições HTTP, executando a lógica necessária e retornando a resposta apropriada ao cliente, na forma de dados HTML para visualização no navegador. 6.2.3 Controllers (Contraladores) Embora o Django não utilize explicitamente o termo “controlador“ no mesmo sentido que outros frameworks MVC, essa funcionalidade é incorporada dentro do sistema de roteamento de URLs, que configura quais visões são chamadas com base na URL acessada. O sistema de roteamento permite que o desenvolvedor defina claramente quais padrões de URL (endereços) correspondem a quais visões, organizando o fluxo de entrada e saída de dados dentro da aplicação. Este método direciona as requisições dos usuários para as visões corretas, garantindo que a lógica de negócios seja processada eficientemente e que os dados corretos sejam retornados. 6.3 IMPLEMENTAÇÃO A implementação deste projeto foca na integração da inteligência artificial com a plataforma de visualização geoespacial, resultando em um sistema robusto para análise de veredas. Inicialmente, a IA é treinada em instâncias Amazon EC2 para identificar contornos de veredas, com os resultados armazenados no Amazon S3. Utilizando a API do Google Static Maps, imagens de satélite das áreas detectadas são obtidas e convertidas do formato PNG para TIFF, necessário para o Google Earth Engine que assegura a precisão geoespacial das imagens. Em seguida, essas imagens são carregadas e sobrepostas no GEE, permitindo a integração com outras camadas georreferenciadas e uma visualização detalhada dos 68 contornos sobre as imagens de satélite. Finalmente, o sistema oferece uma interface interativa onde os usuários podem explorar as veredas e acessar informações detalhadas. Cada etapa deste processo será abordada com mais detalhes nas próximas seções, evidenciando a estrutura e os mecanismos de integração que tornam essa plataforma de análise ambiental eficiente e precisa. 6.3.1 Aquisição de Arquivos do Amazon S3 Esta subseção detalha o funcionamento do script desenvolvido para acessar e recuperar arquivos armazenados no Amazon S3, uma solução essencial para o gerenciamento e o controle de imagens no projeto. O código implementado usa a biblioteca boto3 para a comunicação direta com o bucket S3, aproveitando as funcionalidades de criação de URLs temporárias para o acesso seguro aos arquivos. 6.3.1.1 Processo de Conexão e Aquisição O primeiro passo do script é a configuração de um cliente AWS S3 utilizando a biblioteca boto3. Esse cliente é configurado com as credenciais de acesso da conta AWS associada ao projeto, que incluem uma chave de acesso e uma chave secreta. Com essas credenciais, o cliente é autorizado a interagir com o bucket específico onde os arquivos de mídia são armazenados. Esse processo garante que o script tenha a permissão necessária para listar, ler e gerar links temporários para os arquivos no bucket. Com o cliente configurado, o script solicita ao bucket uma lista de todos os arquivos armazenados. Esse retorno fornece informações detalhadas sobre cada arquivo, como o nome, o tamanho e a data de modificação. A listagem é processada de forma a verificar se o tipo de cada arquivo corresponde a uma imagem. A verificação é baseada nas extensões comuns de imagens, como .jpg, .jpeg e .png. Esta etapa é crucial para filtrar os arquivos de interesse e preparar os objetos de controle que serão manipulados pelo sistema. Após a listagem e identificação das imagens, o script utiliza uma função do cliente boto3 para gerar URLs temporárias para cada imagem. Essas URLs são configuradas para expirar após um período determinado, o que limita o tempo em que os arquivos estão acessíveis diretamente pela internet, reduzindo significativamente os riscos de segurança. A URL gerada permite que o arquivo seja acessado como se estivesse disponível publicamente, mas apenas dentro do período de validade da URL. Essa abordagem fornece uma camada de segurança importante, pois elimina a necessidade de tornar os arquivos públicos no bucket S3. Cada imagem identificada no bucket é associada a um objeto de controle criado 69 pelo script, que armazena detalhes como o nome do arquivo e o caminho completo dentro do bucket S3. Esses objetos de controle são instâncias de uma classe desenvolvida especificamente para armazenar e manipular informações de imagem no projeto. Eles são projetados para manter a integridade das referências entre o arquivo original no S3 e seu representante interno no sistema, facilitando a recuperação e a manipulação das imagens em etapas subsequentes do projeto. 6.3.1.2 Integração com Outros Módulos do Sistema Esses objetos de controle de imagem podem ser facilmente acessados e manipulados por outros módulos do projeto. Por exemplo, caso um módulo necessite exibir ou processar uma imagem, ele pode utilizar o objeto de controle correspondente para obter as informações necessárias de acesso. Esta arquitetura modular permite que o sistema interaja com as imagens sem necessidade de reconfigurar a conexão com o S3, o que otimiza o desempenho e minimiza o número de requisições ao bucket. 6.3.2 Extração e Conversão de Coordenadas Geográficas de Imagens .tif Esta subseção descreve o processo implementado para extrair e converter as coordenadas geográficas das extremidades de imagens no formato .tif, uma funcionalidade essencial para o correto georreferenciamento e manipulação das imagens no projeto. Esse processo inclui a verificação do tipo de arquivo, a extração dos limites espaciais da imagem e a conversão das coordenadas para um formato mais acessível, utilizando as bibliotecas rasterio e pyproj. 6.3.2.1 Validação e Extração Inicial de Coordenadas O processo de extração de coordenadas inicia-se com uma verificação do tipo de arquivo, assegurando que ele possui a extensão .tif. Esse formato é amplamente utilizado para dados espaciais e permite o armazenamento de informações de georreferenciamento. A validação evita que arquivos incompatíveis sejam processados, o que otimiza o desempenho do sistema e reduz a ocorrência de erros durante a execução. Após a verificação, o script utiliza a biblioteca rasterio para acessar os metadados geográficos da imagem. Esta biblioteca possibilita a leitura das coordenadas de suas extremidades mínima e máxima (x e y), que representam os limites de abrangência espacial da imagem. Esses valores fornecem a base para o posicionamento geográfico da imagem e são fundamentais para a conversão subsequente. 70 6.3.2.2 Conversão das Coordenadas para Graus As coordenadas extraídas com rasterio podem estar em um sistema de projeção específico, como UTM, o que limita sua usabilidade em visualizações geográficas padrão. Para resolver isso, o script utiliza a biblioteca pyproj, que converte as coordenadas para o sistema de latitude e longitude em graus. Este formato é amplamente reconhecido e utilizado em ferramentas de mapeamento, o que facilita a integração com outras plataformas e melhora a interoperabilidade do sistema. Após a conversão, as coordenadas mínimas e máximas (latitude e longitude) são armazenadas em objetos de controle dentro do sistema. Esses objetos preservam a referência geográfica de cada imagem, permitindo que outros módulos acessem essas informações de maneira simplificada. A estrutura de armazenamento das coordenadas facilita o uso das imagens em visualizações de mapa, cálculos de distância e outras análises espaciais. 6.3.2.3 Aplicação e Integração das Coordenadas Geográficas Com as coordenadas geográficas devidamente estruturadas e armazenadas, o sistema está preparado para integrar as imagens com módulos de visualização. Cada imagem pode ser posicionada com precisão em mapas interativos, utilizando as coordenadas de latitude e longitude para assegurar um alinhamento correto. Essa funcionalidade é essencial para operações que dependem da localização geográfica precisa, como sobreposição de camadas de dados e análises espaciais interativas. Além disso, o uso das bibliotecas rasterio e pyproj contribui para a precisão e confiabilidade dos dados extraídos. A escolha dessas ferramentas para geoprocessamento garante a qualidade das coordenadas geográficas e facilita a interoperabilidade com outras plataformas de visualização e análise de dados geográficos, o que é um diferencial importante para o projeto. 6.3.3 Aquisição e Conversão de Imagens de Satélite para o Google Earth Engine Esta subseção descreve o processo de obtenção e preparação de imagens de satélite para integração com a plataforma Google Earth Engine (GEE). A abordagem inclui a requisição das imagens, o tratamento de erros na aquisição, a conversão do formato da imagem e a preparação final para disponibilização no GEE. 6.3.3.1 Requisição de Imagens de Satélite com a API do Google Static Maps Para adquirir imagens de satélite que serão usadas no GEE, o processo inicia com a criação de uma requisição HTTP através da API do Google Static Maps. Utilizando 71 a biblioteca requests em Python, a solicitação é estruturada com parâmetros essenciais, como latitude e longitude da área de interesse, além da chave de API para autenticação. Esses parâmetros garantem que a imagem obtida represente com precisão a região de estudo selecionada. A imagem retornada pela API está no formato PNG, escolhido por sua visualização direta e fácil manipulação. No entanto, devido à incompatibilidade do formato PNG com a plataforma GEE, é necessário realizar uma conversão para um formato adequado que permita o processamento e análise geoespacial da imagem dentro do GEE. 6.3.3.2 Monitoramento e Tratamento de Erros na Aquisição de Imagens Durante o processo de requisição, o script monitora a resposta da API para assegurar a aquisição correta da imagem. O código de resposta HTTP é verificado para confirmar o sucesso da solicitação. Em caso de falhas ou erros na resposta, são aplicados mecanismos de tratamento de exceções para gerenciar esses problemas, assegurando que o processo de aquisição continue de forma robusta. Este tratamento de erros é essencial para a continuidade do fluxo de trabalho e para a estabilidade do sistema, prevenindo interrupções causadas por falhas de comunicação com a API. 6.3.3.3 Conversão de Imagens de PNG para TIFF Após a obtenção da imagem em formato PNG, segue-se a conversão para o formato .tif, que é compatível com o Google Earth Engine. Esta conversão é realizada com a biblioteca rasterio, amplamente utilizada para manipulação de dados geoespaciais em Python. Durante essa etapa, são ajustados parâmetros cruciais, incluindo o sistema de referência de coordenadas (CRS), que define a projeção espacial da imagem. Além da conversão, são aplicadas transformações geoespaciais para garantir que a imagem mantenha a escala e o posicionamento corretos da área de interesse. Este ajuste é fundamental para assegurar que a imagem .tif esteja alinhada com precisão a outros dados georreferenciados, o que é essencial para a sobreposição de camadas e análises espaciais no GEE. 6.3.3.4 Preparação e Disponibilização da Imagem para o Google Earth Engine Na etapa final, a imagem convertida para .tif é preparada para análise e carregada na plataforma Google Earth Engine. Após o carregamento, a imagem passa a fazer parte do conjunto de mapas e camadas geoespaciais disponíveis no sistema. Isso permite que a imagem de satélite seja visualizada e analisada em conjunto com outras camadas de dados, possibilitando uma visão abrangente e detalhada dos dados ambientais. 72 A integração das imagens de satélite no GEE potencializa a capacidade analítica do sistema, permitindo a sobreposição de diferentes camadas geográficas e contribuindo para a interpretação de aspectos ambientais específicos. A imagem, agora processada e georreferenciada, torna-se uma ferramenta central para estudos ambientais e análises de mudanças na paisagem, promovendo uma abordagem robusta para o monitoramento de áreas de interesse e a exploração de variáveis ambientais ao longo do tempo. 6.3.4 Transferência de Imagens ao Google Earth Engine Essa subseção descreve o processo de organização e envio das imagens ao Google Earth Engine, essencial para visualização e análise geoespacial. O fluxo inclui a estruturação das imagens em coleções específicas, sua transferência via Google Cloud Storage e a conversão em ativos do GEE, garantindo acesso eficiente e estruturado aos dados. 6.3.4.1 Organização das Coleções de Imagens no Google Earth Engine A transferência de imagens para o Google Earth Engine exige uma estrutura de organização que facilita o acesso e manipulação dos dados. Cada coleção de imagens, conhecida como imageCollection, agrupa dados de acordo com a área de interesse, chamada de “nexusArea“, e a data de captura das imagens. A partir desses dados, duas pastas são criadas para cada imageCollection, permitindo a separação entre as imagens de contorno e as imagens de satélite. A pasta destinada às imagens de contorno é nomeada com a palavra outlines, seguida pela área de interesse e pela data da coleção no formato “ano-mês-dia“. Por exemplo, uma coleção de imagens relacionada a uma área chamada “Norte“ e datada de 15 de maio de 2023 geraria uma pasta chamada “outlines_Norte_2023-05-15 “. De forma similar, a pasta que armazena as imagens de satélite é nomeada com a expressão aatelliteimages, acompanhada pela área de interesse e a mesma data, resultando em “satelliteimages_Norte_2023-05-15 “. Dentro de cada pasta, as imagens são nomeadas com base na chave primária, ou primary key (pk), do objeto armazenado no banco de dados do sistema. Para as imagens de contorno, o nome segue o padrão “outline-pk“, enquanto para as imagens de satélite o padrão é “satelliteimage-pk“. Esse modelo de nomeação permite a identificação única de cada imagem, facilitando a rastreabilidade e integridade dos dados no sistema. 6.3.4.2 Fluxo de Transferência de Imagens para o Google Earth Engine O Google Earth Engine não permite o upload direto de arquivos, por conta disso, o fluxo de transferência requer uma etapa intermediária de armazenamento no Google 73 Cloud Storage (GCS). O processo de envio inicia com o upload das imagens para o GCS e, em seguida, ocorre a conversão desses arquivos em ativos do GEE, tornando-os acessíveis e manipuláveis dentro do ambiente Earth Engine. Essa transferência e organização dos dados ocorrem de maneira automatizada para garantir a continuidade do processo e a organização dos arquivos de forma consistente. 6.3.4.3 Bibliotecas Utilizadas no Processo Para a implementação desse fluxo de transferência e armazenamento, duas bibliotecas principais são utilizadas:“ storage“ e “ee“. A biblioteca storage é responsável pelo gerenciamento dos arquivos no Google Cloud Storage, cuidando da organização e categorização nas pastas de contorno e satélite. A biblioteca ee, do Google Earth Engine, é usada para manipular os ativos no próprio GEE, permitindo a conversão das imagens previamente armazenadas no Google Cloud Storage em ativos utilizáveis no Earth Engine, mantendo o padrão de organização estabelecido para as coleções de imagens. 6.3.4.4 Integração com o Sistema Django e Identificação dos Arquivos Cada imagem transferida é identificada e organizada de acordo com a chave primária do objeto, definida no banco de dados Django. Este identificador único facilita a atualização e manutenção das imagens no Google Earth Engine, dispensando a necessidade de renomeação ou reorganização manual. A chave primária serve como um identificador fixo, permitindo que cada imagem carregada seja facilmente associada à sua coleção e área de interesse específica. Essa integração com o Django também facilita o monitoramento do status de cada imagem no fluxo de transferência e armazenamento, adicionando uma camada de controle e segurança ao processo. 6.3.5 Aplicação do Google Earth Engine O Google Earth Engine exerce uma função crucial na estrutura do back-end deste projeto, fornecendo uma plataforma poderosa para visualização e manipulação de dados geoespaciais. A aplicação utiliza o GEE por meio de um script em JavaScript que recebe parâmetros via URL, especificamente a região de interesse (nexusArea) e uma data (data), para determinar quais dados exibir. A partir desses parâmetros, o sistema localiza e carrega os dados geoespaciais apropriados a partir de pastas previamente configuradas. Ao iniciar o processamento, o script acessa as pastas de “outlines“ e “satelliteImages“, onde estão armazenadas as geometrias de contorno das áreas e as imagens de satélite correspondentes. Essas geometrias de contorno, representadas como outlines, são exibidas 80 de aprendizado de máquina e ferramentas de sensoriamento remoto, como o Google Earth Engine, podem ser utilizados para tratar grandes volumes de dados geoespaciais. A integração dessas tecnologias permite gerar representações visuais que facilitam a compreensão de fenômenos ambientais complexos. Embora a plataforma atual funcione com dados fictícios, sua estrutura modular e escalável foi projetada para incorporar dados reais, oferecendo uma base sólida para análises futuras mais robustas. A escolha de ferramentas tecnológicas como serviços de nuvem da AWS, combinada com frameworks de desenvolvimento web, possibilitou a construção de uma aplicação escalável e eficiente. Essa arquitetura assegura não apenas a flexibilidade para futuras expansões, mas também a capacidade de atender a diferentes demandas de usuários, desde acadêmicos e pesquisadores até gestores ambientais e formuladores de políticas públicas. A modularidade do sistema garante que ele possa ser atualizado e adaptado de maneira ágil, permitindo a inclusão de novas funcionalidades e integrações com outras plataformas ou bancos de dados. Além do avanço técnico, o projeto reforça a importância da tecnologia como uma aliada estratégica na conservação ambiental. A plataforma foi concebida como uma ferramenta acessível, capaz de disseminar dados e informações críticas sobre ecossistemas, contribuindo para a conscientização sobre a preservação ambiental. Ao disponibilizar uma solução voltada para a gestão sustentável, o trabalho também colabora com os esforços de planejamento e desenvolvimento de políticas públicas baseadas em dados. Por fim, ao unir aspectos de ciência de dados, tecnologia web e preservação ambiental, este trabalho demonstra como soluções interdisciplinares podem ser criadas para enfrentar desafios ambientais complexos. As contribuições apresentadas consolidam a plataforma como uma base inicial robusta, com grande potencial de expansão e impacto em iniciativas de monitoramento e conservação ambiental no Cerrado e em outros biomas. 8.3 TRABALHOS FUTUROS Embora a plataforma desenvolvida tenha alcançado seu objetivo inicial, ainda existem desafios e oportunidades de aprimoramento que podem expandir significativamente seu impacto e utilidade. A principal melhoria esperada é a integração de imagens reais geradas pela etapa de ciência de dados. Essa integração permitirá que a plataforma transcenda sua funcionalidade atual baseada em dados fictícios, viabilizando análises precisas e fundamentadas sobre a distribuição e evolução das veredas no Cerrado brasileiro. Essa atualização deverá envolver a incorporação de algoritmos de aprendizado profundo ajustados às características das imagens reais, aumentando a confiabilidade dos resultados. 81 Outra oportunidade de melhoria está na ampliação das funcionalidades da plataforma, incluindo a adição de ferramentas que possibilitem a análise comparativa de dados entre diferentes períodos e regiões. Essa funcionalidade será essencial para identificar tendências de degradação ou recuperação das veredas ao longo do tempo. Além disso, a geração de relatórios customizados, baseados em consultas específicas dos usuários, poderá fornecer informações detalhadas para subsidiar decisões estratégicas de gestores ambientais e pesquisadores. Para fortalecer a aplicabilidade da plataforma, recomenda-se a integração com bases de dados regionais e globais, como aquelas mantidas por instituições governamentais e organizações internacionais. Essa integração permitirá enriquecer os dados disponíveis, oferecendo uma visão mais abrangente sobre o contexto ambiental das veredas e sua relação com outros fatores, como uso do solo e mudanças climáticas. A conexão com iniciativas governamentais poderá facilitar a adoção da plataforma como ferramenta oficial de monitoramento ambiental, ampliando seu alcance e relevância. Adicionalmente, melhorias na interface e na experiência do usuário podem ser exploradas, garantindo que a plataforma seja intuitiva e acessível a públicos diversos, incluindo comunidades locais, educadores e estudantes. A introdução de elementos de gamificação e visualizações interativas mais avançadas pode aumentar o engajamento e ampliar o impacto educativo da aplicação. Por fim, é recomendável explorar parcerias com instituições acadêmicas e de pesquisa para validar os dados e análises geradas pela plataforma, garantindo a precisão científica dos resultados. A implementação de mecanismos de feedback dos usuários também pode orientar futuras iterações, assegurando que a plataforma evolua de forma alinhada às necessidades de seus diferentes públicos. Esses avanços consolidarão a aplicação como uma ferramenta indispensável para o monitoramento, a preservação e o planejamento sustentável das veredas no Cerrado brasileiro. REFERÊNCIAS ARAÚJO, G. M.; BARBOSA, A. A.; ARANTES, A. A.; AMARAL, A. F. Composição florística de veredas no Município de Uberlândia, MG. Revista Brasileira de Botânica, 2002. BEN-YEHUDA, O. A.; BEN-YEHUDA, M.; SCHUSTER, A.; TSAFRIR, D. Deconstructing amazon ec2 spot instance pricing. ACM Trans. Econ. Comput., Association for Computing Machinery, New York, NY, USA, v. 1, n. 3, sep 2013. ISSN 2167-8375. Disponível em: <https://doi.org/10.1145/2509413.2509416>. BI, Q.; GOODMAN, K. E.; KAMINSKY, J.; LESSLER, J. What is machine learning? a primer for the epidemiologist. American Journa of Epidemiology, 2019. CDB. Convention on Biological Diversity. 2024. Acessado em 25 de novembro de 2024. Disponível em: <https://www.cbd.int/countries/profile?country=br>. DINKU, Z. React.js vs. Next.js. Dissertação (Bacharelado) — Metropolia University of Applied Sciences, 2022. GARFINKEL, S. An Evaluation of Amazon’s Grid Computing Services: EC2, S3, and SQS. Harvard Computer Science Group Technical Report TR-08-07, 2007. GHIMIRE, D. Comparative study on Python web frameworks: Flask and Django. Dissertação (Bacharelado) — Metropolia University of Applied Sciences, 2020. GIUZIO, C. M. O.; ZOELLER, I. V.; COELHO, R. A. Estimation of socioeconomic indicators through satellite imagery in the NEXUS area. Dissertação (Bacharelado) — Escola Politécnica da Universidade de São Paulo, 2022. GORELICK, N.; HANCHER, M.; DIXON, M.; ILYUSHCHENKO, S.; THAU, D.; MOORE, R. Google earth engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 2017. LECUN, Y.; BENGIO, Y.; HINTON, G. Deep learning. Nature, 2015. LIBERTY, E.; KARNIN, Z.; XIANG, B.; ROUESNEL, L.; COSKUN, B.; NALLAPATI, R.; DELGADO, J.; SADOUGHI, A.; ASTASHONOK, Y.; DAS, P.; BALIOGLU, C.; CHAKRAVARTY, S.; JHA, M.; GAUTIER, P.; ARPIN, D.; JANUSCHOWSKI, T.; FLUNKERT, V.; WANG, Y.; GASTHAUS, J.; STELLA, L.; RANGAPURAM, S.; SALINAS, D.; SCHELTER, S.; SMOLA, A. Elastic machine learning algorithms in amazon sagemaker. In: Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data. New York, NY, USA: Association for Computing Machinery, 2020. (SIGMOD ’20), p. 731–737. ISBN 9781450367356. Disponível em: <https://doi.org/10.1145/3318464.3386126>. LIE, H. W. Cascading Style Sheets. Tese (Doutorado) — University of Oslo, 2006. MEHMOOD, H.; CONWAY, C.; PERERA, D. Mapping of flood areas using landsat with google earth engine cloud platform. Atmosphere, 2021. NEXUS. Nexus - Caminhos para a Sustentabilidade. 2024. Acessado em 25 de novembro de 2024. Disponível em: <https://nexus.ccst.inpe.br/projeto/>. SHETTY, J.; DASH, D.; JOISH, A. K.; C., G. Review Paper on Web Frameworks, Databases and Web Stacks. International Research Journal of Engineering and Technology (IRJET), 2020. SHINDE, P. P.; SHAH, S. A Review of Machine Learning and Deep Learning Applications. In: 2018 Fourth International Conference on Computing Communication Control and Automation (ICCUBEA). [S.l.: s.n.], 2018. p. 1–6. SINHA, P. Cloud Computing Using aws: An Analysis. Indian Journal of Computer Science, 2020. APÊNDICE A – FLUXO DE TRABALHO DO PROJETO Figura A.1 – Representação ilustrativa do fluxo de trabalho. Fonte: Elaborado pelos autores.