Metodologia para Criar Dados Rotulados de Mineração sob Contaminação Atmosférica em Imagens de S2

A Inteligência Artificial transformou a análise de dado de sensoriamento remoto, possibilitando ganhos de eficiência em tarefas antes dependentes de inspeção humana. Nesse cenário, o crescente volume de dados geoespaciais, obtidos por meio de sensoriamento remoto, ao serem submetidos a algoritmos de IA revelam o perfil do alvo analisado de forma mais automatizada. Entretanto, a aplicação de algoritmos para detecção de padrões em imagens de satélite ainda é refém da disponibilidade de bases de dados rotulados suficientemente adequadas para o treinamento dos modelos de forma eficaz. Entre esses casos, destaca-se a identificação de áreas de mineração em imagens Sentinel-2 de captura diária, tarefa cujos dados de entrada estão a merce da ocorrência de nuvens, sombras e \textit{haze}, mas que possibilita acompanhar em tempo real o avanço da atividade mineradora. Como forma de resolução desse cenário, este trabalho propõe uma metodologia para a criação de um conjunto de dados rotulados que indica a presença de áreas de mineração em imagens Sentinel-2, obtido por meio da agregação, harmonização e correção de diferentes produtos de mapeamentos já existentes. Tal iniciativa resultou em um conjunto rotulado de dados sensíveis à presença de nuvens, sombras e \textit{haze}, incorporando esses elementos como parte presente do cenário diário das imagens e reduzindo sua influencia ruidosa no processo de treinamento. O conjunto de dados resultante viabiliza o desenvolvimento de um sistema de detecção de alertas minerários robusto e resiliente a dados de entrada ruidosos, mais adequado a cenários operacionais reais.