Aprendizagem Automática e Reconhecimento de Padrões para Observação da Terra: Exemplos Práticos em Python

Curso de Formação

Ano Letivo 2025/2026

O uso de técnicas de aprendizagem automática tem-se tornado cada vez mais relevante na análise de dados aeroespaciais dada a complexidade e o volume crescente de informaç provenientes de sensores remotos e satélites. Compreender os fundamentos da aprendizagem automática, tanto supervisionada como não supervisionada, é essencial para desenvolver soluções eficazes na classificação, segmentação e extração de padrões ocultos em grandes conjuntos de dados geoespaciais. Reconhecer padrões em imagens de satélite, como mudanças no uso do solo, deteção de corpos d'água ou estruturas urbanas, exige o domínio de técnicas computacionais robustas que permitam transformar imagens brutas em conhecimento útil.

A utilização da linguagem Python em conjunto com bibliotecas como scikit-learn e OpenCV, oferece um ambiente poderoso e acessível para o desenvolvimento de aplicações práticas, desde algoritmos clássicos até modelos avançados de aprendizagem profunda. Esses modelos, particularmente redes neuronais convolucionais (CNNs), permitem a identificação automática de objetos em imagens de alta resolução, como aeronaves, veículos ou formações meteorológicas, otimizando processos de monitorização e resposta a eventos ambientais extremos.

A unidade temática "Aprendizagem Automática e Reconhecimento de Padrões em Dados Aeroespaciais" visa capacitar os estudantes para o uso crítico e criativo dessas ferramentas, permitindo-lhes implementar soluções que atendam às exigências da engenharia aeroespacial contemporânea. No final do módulo, espera-se que os participantes compreendam os princípios fundamentais dos algoritmos de aprendizagem automática, saibam aplicá-los a diferentes tipos de dados aeroespaciais, e sejam capazes de construir sistemas inteligentes para auxiliar a tomada de decisão baseada em dados.

Formação proposta no âmbito da Agenda Mobilizadora New Space Portugal (Ref. C644936537-00000046, Notice ACC02/CO5-i01/2022), financiada pelas Agendas Mobilizadoras para a Inovação Empresarial, através do Programa de Recuperação e Resiliência (PRR)."