Releases: DevsDomain/D-FireTrack
Releases · DevsDomain/D-FireTrack
Sprint 3
🌍 D-FireTrack
✅ Entregas da Sprint 3
A Sprint 3 teve como foco a a consolidação das funcionalidades do sistema de classificação de imagens e ajustes de usabilidade. Todas as tarefas planejadas foram concluídas com sucesso dentro do prazo.
🖼️ Demonstração da aplicação:
📦 Entregas Realizadas
- Modelo de Inteligência Artificial: Ajustes finais no modelo de IA
- Integração com Banco de Dados (MongoDB)
- Listar todas as imagens salvas no MongoDB
- Salvar caminho da imagem no banco de dados MongoDB
- Exibição e Ajustes de Imagem
- Exibir no mapa a imagem classificada
- Ferramenta de recorte para seleção do mapa
- Selecionar mais de uma imagem da gallery para classificar
- Acréscimo de spinner de loading ao enviar imagem para classificação
- Vídeo Sprint 3
📅 Período da Sprint
- Início: 14 de maio de 2025
- Encerramento: 10 de junho de 2025
📈 Gráfico Burndown
📈 Gestão Kanban
Veja o painel Kanban:
📜 Product Backlog - Mapeamento de Cicatrizes de Queimadas
O Product Backlog segue o padrão de priorização:
- A Alta
- M Média
- B Baixa
📋 1. Backlog de Produto (Histórias de Usuário)
| ID | História do Usuário | Prioridade | Tipo |
|---|---|---|---|
| US01 | Como *usuário, quero **selecionar uma região e período de interesse, para obter dados específicos da área desejada. | *A | RF |
| US02 | Como *usuário, quero **visualizar imagens dos satélites CBERS-4, CBERS-4A e Amazônia-1, para analisar áreas queimadas. | *A | RF |
| US03 | Como *usuário, quero *executar o mapeamento automático de cicatrizes de queimadas com base nas imagens selecionadas. | A | RF |
| US04 | Como *usuário, quero **visualizar os resultados do mapeamento em uma interface de mapas interativa. | *A | RF |
| US05 | Como *usuário, quero **baixar os mapas de cicatrizes de queimadas em formato vetorial, para utilizá-los em análises externas. | *A | RF |
| US06 | Como *sistema, preciso *gerar uma máscara de nuvens automaticamente para melhorar a precisão do mapeamento. | M | RF |
| US07 | Como *desenvolvedor, preciso que a **API suporte o formato COG (Cloud Optimized GeoTIFF), para otimizar o processamento de imagens em nuvem. | *M | RNF |
| US08 | Como *usuário, quero **ter acesso aos metadados das imagens, para entender a origem e qualidade dos dados utilizados. | *M | RF |
| US09 | Como *usuário, quero **poder visualizar o histórico de queimadas por período selecionado, para monitoramento de longo prazo. | *B | RF |
| US10 | Como *usuário, quero **exportar os dados do mapeamento em diferentes formatos (GeoJSON, SHP, CSV), para análises avançadas. | *B | RF |
📋 2. Classificação dos Requisitos
Os requisitos do desafio foram classificados como funcionais (RF) e não funcionais (RNF).
✅ Requisitos Funcionais (RF)
| ID | Requisito | Atende à História |
|---|---|---|
| RF01 | O backend deve receber uma imagem do sensor WFI e gerar uma máscara de nuvem. | US06 |
| RF02 | O front-end deve exibir um mapa interativo com imagens WFI e permitir ativar a camada da máscara de nuvem. | US04 |
| RF03 | O sistema deve permitir que o usuário selecione uma região e um período de interesse. | US01 |
| RF04 | O sistema deve acessar as imagens do catálogo INPE no formato COG. | US02 |
| RF05 | O sistema deve permitir o download dos mapas de queimadas em formato vetorial. | US05 |
| RF06 | A API deve processar automaticamente as imagens e gerar um mapa de queimadas. | US03 |
| RF07 | O sistema deve armazenar e permitir a visualização do histórico de queimadas. | US09 |
✅ Requisitos Não Funcionais (RNF)
| ID | Requisito | Atende à História |
|---|---|---|
| RNF01 | A API deve estar bem documentada para integração com outras plataformas. | US07 |
| RNF02 | O sistema deve suportar formatos GeoJSON, SHP e CSV para exportação de dados. | US10 |
| RNF03 | A interface deve seguir padrões de usabilidade e acessibilidade. | US04 |
📌 3. Priorização das Histórias de Usuário
| Prioridade | Histórias de Usuário |
|---|---|
| A (Alta) | US01, US02, US03, US04, US05, US06, US07 |
| M (Média) | US08, US09, US10 |
| B (Baixa) | US11, US12 |
🔧 Tecnologias utilizadas
Backend
Frontend
IA/Deep Learning
👥 Equipe
| Função | Nome | LinkedIn & GitHub |
|---|---|---|
| Product Owner | Abner Rodrigo |   |
| Scrum Master | Claudia Nunes | |
| Dev Team | Michael Morais | |
| Dev Team | Fernando Davi | [
🌍 D-FireTrack
✅ Entregas da Sprint 2
A Sprint 2 teve como foco a ampliação das funcionalidades principais do sistema, a integração entre componentes e a base da inteligência artificial. Todas as tarefas planejadas foram concluídas com sucesso dentro do prazo.
🖥️ Frontend
📦 Entregas Realizadas
- 🛰️ Seleção automatizada de imagens de ocorrências
- 🔗 Conexão dos filtros do frontend com a API do backend
- 📝 Criação e validação colaborativa do backlog
- 🤖 Treinamento inicial do modelo de IA para detecção de queimadas
- 🧠 API funcional para classificação de queimadas via IA
- 📱 Desenvolvimento de layout responsivo da página principal
- 🎬 Produção do vídeo de encerramento da Sprint 2
📅 Período da Sprint
- Início: 16 de abril de 2025
- Encerramento: 9 de maio de 2025
📈 Gráfico Burndown
Veja o andamento da sprint no gráfico abaixo:
📈 Gestão Kanban
Veja o painel Kanban:
📝 Observações
- Todas as 10 tarefas planejadas foram entregues com status ✅ Done.
- O time manteve um ritmo constante de entrega, com boa colaboração entre frontend, backend e IA.
- As bases foram estabelecidas para integração total na Sprint 3.
📜 Product Backlog - Mapeamento de Cicatrizes de Queimadas
O Product Backlog segue o padrão de priorização:
- A Alta
- M Média
- B Baixa
📋 1. Backlog de Produto (Histórias de Usuário)
| ID | História do Usuário | Prioridade | Tipo |
|---|---|---|---|
| US01 | Como *usuário, quero **selecionar uma região e período de interesse, para obter dados específicos da área desejada. | *A | RF |
| US02 | Como *usuário, quero **visualizar imagens dos satélites CBERS-4, CBERS-4A e Amazônia-1, para analisar áreas queimadas. | *A | RF |
| US03 | Como *usuário, quero *executar o mapeamento automático de cicatrizes de queimadas com base nas imagens selecionadas. | A | RF |
| US04 | Como *usuário, quero **visualizar os resultados do mapeamento em uma interface de mapas interativa. | *A | RF |
| US05 | Como *usuário, quero **baixar os mapas de cicatrizes de queimadas em formato vetorial, para utilizá-los em análises externas. | *A | RF |
| US06 | Como *sistema, preciso *gerar uma máscara de nuvens automaticamente para melhorar a precisão do mapeamento. | M | RF |
| US07 | Como *desenvolvedor, preciso que a **API suporte o formato COG (Cloud Optimized GeoTIFF), para otimizar o processamento de imagens em nuvem. | *M | RNF |
| US08 | Como *usuário, quero **ter acesso aos metadados das imagens, para entender a origem e qualidade dos dados utilizados. | *M | RF |
| US09 | Como *usuário, quero **poder visualizar o histórico de queimadas por período selecionado, para monitoramento de longo prazo. | *B | RF |
| US10 | Como *usuário, quero **exportar os dados do mapeamento em diferentes formatos (GeoJSON, SHP, CSV), para análises avançadas. | *B | RF |
📋 2. Classificação dos Requisitos
Os requisitos do desafio foram classificados como funcionais (RF) e não funcionais (RNF).
✅ Requisitos Funcionais (RF)
| ID | Requisito | Atende à História |
|---|---|---|
| RF01 | O backend deve receber uma imagem do sensor WFI e gerar uma máscara de nuvem. | US06 |
| RF02 | O front-end deve exibir um mapa interativo com imagens WFI e permitir ativar a camada da máscara de nuvem. | US04 |
| RF03 | O sistema deve permitir que o usuário selecione uma região e um período de interesse. | US01 |
| RF04 | O sistema deve acessar as imagens do catálogo INPE no formato COG. | US02 |
| RF05 | O sistema deve permitir o download dos mapas de queimadas em formato vetorial. | US05 |
| RF06 | A API deve processar automaticamente as imagens e gerar um mapa de queimadas. | US03 |
| RF07 | O sistema deve armazenar e permitir a visualização do histórico de queimadas. | US09 |
✅ Requisitos Não Funcionais (RNF)
| ID | Requisito | Atende à História |
|---|---|---|
| RNF01 | A API deve estar bem documentada para integração com outras plataformas. | US07 |
| RNF02 | O sistema deve suportar formatos GeoJSON, SHP e CSV para exportação de dados. | US10 |
| RNF03 | A interface deve seguir padrões de usabilidade e acessibilidade. | US04 |
📌 3. Priorização das Histórias de Usuário
| Prioridade | Histórias de Usuário |
|---|---|
| A (Alta) | US01, US02, US03, US04, US05, US06, US07 |
| M (Média) | US08, US09, US10 |
| B (Baixa) | US11, US12 |
🔧 Tecnologias utilizadas
Backend
Frontend
IA/Deep Learning
👥 Equipe
| Função | Nome | LinkedIn & GitHub |
|---|---|---|
| Product Owner | Abner Rodrigo | |
| Scrum Master | Claudia Nunes | |
| Dev Team | Michael Morais | |
| Dev Team ... |
Sprint1: Update README.md
🌍 D-FireTrack
📝 Desafio
Este projeto tem como objetivo o desenvolvimento de uma solução completa (API, aplicação web) para o mapeamento automático de cicatrizes de queimadas utilizando imagens do sensor WFI a bordo dos satélites CBERS4, CBERS4A e Amazônia 1. O projeto será desenvolvido com base em técnicas de Deep Learning e processamento em nuvem.
🏁 Entrega Sprint 1
🖥️ Protótipo Navegavel Figma
🐍 Documentação Swagger
🔥 Burn Down
🧩 Kanban
Clique aqui para acessar o Kanban
📜 Product Backlog - Mapeamento de Cicatrizes de Queimadas
O Product Backlog segue o padrão de priorização:
- A Alta
- M Média
- B Baixa
📋 1. Backlog de Produto (Histórias de Usuário)
| ID | História do Usuário | Prioridade | Tipo |
|---|---|---|---|
| US01 | Como *usuário, quero **selecionar uma região e período de interesse, para obter dados específicos da área desejada. | *A | RF |
| US02 | Como *usuário, quero **visualizar imagens dos satélites CBERS-4, CBERS-4A e Amazônia-1, para analisar áreas queimadas. | *A | RF |
| US03 | Como *usuário, quero *executar o mapeamento automático de cicatrizes de queimadas com base nas imagens selecionadas. | A | RF |
| US04 | Como *usuário, quero **visualizar os resultados do mapeamento em uma interface de mapas interativa. | *A | RF |
| US05 | Como *usuário, quero **baixar os mapas de cicatrizes de queimadas em formato vetorial, para utilizá-los em análises externas. | *A | RF |
| US06 | Como *sistema, preciso *gerar uma máscara de nuvens automaticamente para melhorar a precisão do mapeamento. | M | RF |
| US07 | Como *desenvolvedor, preciso que a **API suporte o formato COG (Cloud Optimized GeoTIFF), para otimizar o processamento de imagens em nuvem. | *M | RNF |
| US08 | Como *usuário, quero **ter acesso aos metadados das imagens, para entender a origem e qualidade dos dados utilizados. | *M | RF |
| US09 | Como *usuário, quero **poder visualizar o histórico de queimadas por período selecionado, para monitoramento de longo prazo. | *B | RF |
| US10 | Como *usuário, quero **exportar os dados do mapeamento em diferentes formatos (GeoJSON, SHP, CSV), para análises avançadas. | *B | RF |
📋 2. Classificação dos Requisitos
Os requisitos do desafio foram classificados como funcionais (RF) e não funcionais (RNF).
✅ Requisitos Funcionais (RF)
| ID | Requisito | Atende à História |
|---|---|---|
| RF01 | O backend deve receber uma imagem do sensor WFI e gerar uma máscara de nuvem. | US06 |
| RF02 | O front-end deve exibir um mapa interativo com imagens WFI e permitir ativar a camada da máscara de nuvem. | US04 |
| RF03 | O sistema deve permitir que o usuário selecione uma região e um período de interesse. | US01 |
| RF04 | O sistema deve acessar as imagens do catálogo INPE no formato COG. | US02 |
| RF05 | O sistema deve permitir o download dos mapas de queimadas em formato vetorial. | US05 |
| RF06 | A API deve processar automaticamente as imagens e gerar um mapa de queimadas. | US03 |
| RF07 | O sistema deve armazenar e permitir a visualização do histórico de queimadas. | US09 |
✅ Requisitos Não Funcionais (RNF)
| ID | Requisito | Atende à História |
|---|---|---|
| RNF01 | A API deve estar bem documentada para integração com outras plataformas. | US07 |
| RNF02 | O sistema deve suportar formatos GeoJSON, SHP e CSV para exportação de dados. | US10 |
| RNF03 | A interface deve seguir padrões de usabilidade e acessibilidade. | US04 |
📌 3. Priorização das Histórias de Usuário
| Prioridade | Histórias de Usuário |
|---|---|
| A (Alta) | US01, US02, US03, US04, US05, US06, US07 |
| M (Média) | US08, US09, US10 |
| B (Baixa) | US11, US12 |
🔧 Tecnologias utilizadas
Backend
Frontend
IA/Deep Learning
👥 Equipe
| Função | Nome | LinkedIn & GitHub |
|---|---|---|
| Product Owner | Abner Rodrigo | |
| Scrum Master | Claudia Nunes | |
| Dev Team | Michael Morais | |
| Dev Team | Fernando Davi | |
| Dev Team | Juliana Maciel | [![Linkedin Badge](https://img.shields.io/badge/Linkedin-blue?style=flat-square&logo=Linkedin&logoCo... |