TECNOLANDIA TECH
Publicidade

Conecte-se com o Tecnolândia Tech

BLOG + INSTAGRAM + FACEBOOK

Tecnologia na prática, em todos os formatos.

Aqui no Tecnolândia Tech, você encontra artigos e guias completos. No Instagram @djwinformatica e no Facebook TecnoInfo, acompanhe vídeos, dicas e novidades de IA, automação e tecnologia. São nossos canais oficiais.

Como a IA Esta Ajudando a Proteger a Terra de Asteroides

Como a IA Esta Ajudando a Proteger a Terra de Asteroides

Fonte: Unsplash

Em fevereiro de 2013, um objeto de poucas dezenas de metros entrou na atmosfera sobre Chelyabinsk, na Rússia, e a onda de choque quebrou vidros em milhares de prédios. Ninguém emitiu alerta antes. Não porque a órbita fosse impossível de calcular, mas porque o asteroide chegou vindo da direção do Sol — justamente o lugar onde os telescópios terrestres enxergam mal. É esse o nó do problema: a conta orbital é a parte fácil; enxergar o objeto a tempo é a parte difícil. E é aí que a inteligência artificial entrou na rotina dos centros de defesa planetária.

De onde vêm os objetos que ninguém vê

Pesquisas sistemáticas varrem o céu toda noite e devolvem um volume de imagens que nenhum time humano consegue revisar. Cada quadro contém milhares de pontos de luz: estrelas, galáxias, satélites, raios cósmicos baterem no sensor, reflexos do próprio instrumento. Achar um asteroide é notar que um desses pontos mudou de lugar entre duas exposições — e que a mudança faz sentido fisicamente.

O fluxo clássico funciona assim:

  • Detecção: um algoritmo compara quadros e marca pontos que se moveram.
  • Triagem: alguém (ou algum modelo) descarta ruído, satélites conhecidos e artefatos de imagem.
  • Confirmação: uma segunda observação, de outra estação, fecha a medida de posição.
  • Órbita: com medidas suficientes, calcula-se a trajetória e a probabilidade de aproximação futura.

Quem mais trava é a etapa 2. Um falso positivo consome tempo de telescópio escasso, e um falso negativo significa um objeto que some antes de virar alvo de acompanhamento.

O papel das redes neurais na triagem de imagens

Modelos de visão computacional passaram a classificar candidatos em vez de deixar a fila inteira para revisão humana. Na prática, a rede recebe um recorte com o ponto suspeito e devolve uma probabilidade de ser um corpo real em movimento, considerando forma do perfil de luz, desfoque de rastreio e consistência entre quadros.

Além do classificador, existem modelos que pontuam a incerteza: quando o sistema não confia, ele encaminha para um humano. Esse desenho é mais importante que a acurácia do modelo, porque o erro grave em defesa planetária é o descarte silencioso de um candidato real.

Um segundo frente de uso é a determinação de órbita com observações esparsas. Com poucas medidas, o intervalo de posição futura fica enorme; técnicas de inferência bayesiana implementadas em código ajudam a manter o intervalo honesto em vez de devolver um número falso de precisão.

Código: filtrando candidatos em Python

A Small-Body Database do JPL tem uma API pública e aberta. O exemplo abaixo lista objetos considerados potencialmente perigosos e imprime o eixo maior da órbita, um primeiro filtro grosseiro para você entender a escala do catálogo:

import requests

URL = "https://ssd-api.jpl.nasa.gov/sbdb_query.api"
params = {
    "fields": "full_name,a,e,pha",
    "sb-kind": "a",   # asteroides, não cometas
    "sb-pha": "Y",    # potencialmente perigosos
    "limit": 10,
}

resp = requests.get(URL, params=params, timeout=30)
resp.raise_for_status()
payload = resp.json()
col = {nome: i for i, nome in enumerate(payload["fields"])}

for linha in payload["data"]:
    nome = linha[col["full_name"]]
    eixo = float(linha[col["a"]])
    excent = float(linha[col["e"]])
    print(f"{nome:32} a={eixo:.3f} UA  e={excent:.3f}")

Rode dentro de um venv, com pip install requests. Depois troque limit por um valor maior e você já tem uma base para brincar com distribuição de distâncias mínimas de aproximação.

Detectar perigo é diferente de afastar perigo

Aqui mora o erro mais comum de expectativa. Um modelo que acerta 100% na detecção não afasta nada. Para desviar um asteroide, a energia precisa ser aplicada com anos de antecedência: a mesma perturbação minúscula, somada ao longo do tempo, vira desvio de centenas de quilômetros lá na frente. Com semanas de aviso, a física disponível deixa de ser suficiente.

Por isso a comunidade separa dois problemas distintos — detecção (enxergar e caracterizar) e mitigação (mudar a trajetória). IA ataca o primeiro. O segundo continua sendo engenharia de impulso.

DART e o primeiro teste real de desvio

A missão DART, da NASA, colidiu deliberadamente com Dimorphos, a lua do asteroide Didymos, em 2022. O objetivo não era destruir nada, e sim transferir momento suficiente para encurtar o período orbital da lua em torno do corpo principal. O resultado medido ficou bem acima do mínimo que a missão considerava sucesso — dezenas de minutos a menos por órbita, confirmadas por observação posterior.

A relevância prática: pela primeira vez a humanidade não só calculou uma trajetória, como alterou uma. A sonda Hera, da Agência Espacial Europeia, segue o cenário para fechar as medidas com mais precisão.

Onde a cobertura ainda falha

Três pontos continuam frágeis, e nenhum deles se resolve com um modelo melhor:

  • Cobertura do hemisfério sul: a rede de telescórios é historicamente mais densa no norte.
  • Janela de brilho solar: objetos que se aproximam pela direção do Sol exigem observação em crepúsculo ou do espaço.
  • Objetos que se perdem: com poucas medidas, o asteroide sai do campo de visão e a órbita incerta impede reencontrá-lo.

É por isso que missões dedicadas a varrer a faixa próxima ao Sol e a instalar câmeras em órbita aparecem junto com o trabalho em software. Hardware e algoritmo andam juntos.

Como acompanhar isso de verdade

Se você quer sair do "achismo astronômico" e olhar os dados, três portais valem o favorito no navegador:

  • JPL CNEOS: tabela de risco com aproximações futuras e parâmetros de impacto.
  • Minor Planet Center: catálogo oficial de descobertas e medidas observacionais.
  • ESA NEOCC: centro europeu de coordenação, com listas de objetos monitorados.

Combinando essas fontes com a API mostrada acima, dá para montar um alerta simples em Python que roda uma vez por dia e te avisa quando um objeto novo entra na lista. Não substitui o trabalho científico, mas mostra exatamente qual parte da pipeline a IA já assume — e qual parte ainda depende de gente olhando o céu.

E aí, fez sentido?

Conte nos comentários sua experiência com defesa planetária e ferramentas públicas de dados astronômicos — e se o artigo te ajudou, compartilhe com alguém que precisa ler. 👇

Publicidade