Show HN: Aurora GeoXAI – Sovereign geospatial AI built out of frustration

An open, experimental Python MVP for geospatial image inspection, remote-sensing exploration and traceable analysis reports. The current baseline uses NumPy, Rasterio, Pillow and scikit-learn; it is not a PyTorch deep-learning engine and is not a production or forensic system.

A press release is not sovereign infrastructure. Code that people can inspect, run, challenge and maintain is.

Digital-sovereignty rhetoric from Brasília—including public debate associated with MCTI/SETAD—does not by itself create compute access, predictable funding, technical continuity or meaningful channels for independent builders. The gap between official ambition and the material conditions that independent engineers report is a political problem, not an engineering achievement.

Aurora is an autonomous, openly documented engineering effort built outside the state bureaucracy. This repository answers rhetoric with code, explicit limitations and reproducible tests. It is the authors’ political position and account of reported experience—not an official investigation, a finding of misconduct, a claim about any named public servant, or a government-sponsored program. No state body is represented as endorsing or participating in this project.

The global ambition is real: build geospatial software that can withstand the scrutiny applied at leading Deep Tech and Earth-observation research centers. That is a target for engineering and independent validation, not a claim that the current prototype already matches their performance.

Nota à imprensa não é infraestrutura soberana. É código que outras pessoas podem inspecionar, executar, contestar e manter.

O discurso de soberania digital em Brasília — inclusive o debate público associado ao MCTI/SETAD — não cria, por si só, acesso a computação, financiamento previsível, continuidade técnica nem canais efetivos para construtores independentes. A distância entre a ambição oficial e as condições materiais relatadas por quem constrói fora dos circuitos consolidados é um problema político, não uma realização de engenharia.

A Aurora é um esforço de engenharia autônomo, documentado abertamente e construído à margem da burocracia estatal. Este repositório responde ao discurso com código, limites explícitos e testes reproduzíveis. O texto expressa a posição política e a experiência relatada pelos autores: não é investigação oficial, constatação de irregularidade, acusação contra servidor específico nem declaração de apoio ou participação de órgão público.

A ambição é global: desenvolver software geoespacial capaz de suportar o rigor técnico e científico dos principais centros de Deep Tech e observação da Terra. Isso é uma meta de engenharia e validação independente, não uma alegação de que o protótipo atual já tenha desempenho equivalente.

O repositório pertence à iniciativa Impulso Digital Soluções em I.A. Ltda. e publica um MVP experimental v0.1.0, executável localmente em CPU. A distinção entre o que funciona, o que é direção de pesquisa e o que ainda não foi validado é parte deliberada do projeto.

• Não é um serviço em produção nem um modelo geoespacial de deep learning.
• Não reivindica conformidade com MLCommons Inference, um padrão de XAI, certificação ou benchmark não publicado.
• Não declara cooperação formal com Finep, CDTI, MCTI, SETAD, Banco Central, MLCommons ou qualquer outro órgão ou organização.
• Não é ferramenta pericial validada, não produz prova judicial e não substitui profissional habilitado. Uma futura utilização em processo judicial exigiria validação independente, proveniência e licença dos dados, integridade e cadeia de custódia, revisão humana e avaliação jurídica adequada.
• Não interpreta automaticamente os clusters como água, vegetação, edificações ou uso do solo, e não comprova condição ambiental.

Badges oficiais ou de parceria só serão incluídos após evidência verificável e autorização apropriada. Os badges acima descrevem o estado atual; não são certificações.

Arquivo enviado manualmente
        │
        ├─ PNG/JPEG ── Pillow ─┐
        └─ TIFF/GeoTIFF ─ Rasterio ─ metadados disponíveis
                              │
                     matriz NumPy float32
                              │
             preview RGB (stretch percentil 2–98)
                              │
         MiniBatchKMeans no preview (random_state=42)
                 │                         │
       máscara/overlay visual      NDVI/NDWI opcional
                                  (bandas explícitas)
                 └────────────┬────────────┘
                         ZIP de saída
            JSON de relatório + imagens derivadas

O núcleo está em src/aurora_geointelligence/core.py, a interface em app.py, e a suíte local em tests/. O diagrama completo está em assets/architecture.mmd.

O alongamento percentil 2–98 serve apenas à visualização do preview. O agrupamento usa RGB do preview, de modo que iluminação, sensor, nuvens e composição podem alterar os grupos. NDVI/NDWI só são úteis quando as bandas e a calibração da imagem são adequadas; essa semântica precisa ser fornecida e verificada pela pessoa usuária. Veja o protocolo de validação e as limitações.

A versão torna etapas e parâmetros mais inspecionáveis ao registrar metadados disponíveis, configurações, resultados e ressalvas em JSON. Isso ajuda a reproduzir uma exploração, mas não torna o resultado uma perícia, não oferece explicação de um modelo aprendido e não assegura admissibilidade ou força probatória. Não há assinatura criptográfica nem cadeia de custódia. Não use o MVP para fiscalização, emergência, decisão ambiental/regulatória ou decisão judicial sem validação científica e revisão humana independentes.

Os nomes abaixo compõem uma agenda comum de pesquisa e prototipagem. Não formam uma plataforma integrada em produção. O status de cada iniciativa e as evidências observáveis estão detalhados em docs/ECOSYSTEM.md.

Desenvolvedores, pesquisadores de geoinformação e observação da Terra, laboratórios de Deep Tech, investidores, fundos de Venture Capital e parceiros estratégicos: a engenharia brasileira precisa ser examinada pelo código e pela evidência — não por proximidade a um gabinete. Inspecionem, reproduzam, apontem falhas e proponham benchmarks.

A comunidade MLCommons e as frentes de cooperação Brasil–Europa/Brasil–Espanha são convidadas a conhecer o projeto e, se houver interesse e escopo, conversar sobre colaboração verificável. Este convite não declara participação, reconhecimento, parceria, financiamento ou validação por MLCommons, Finep, CDTI, MCTI/SETAD ou qualquer outra entidade. Soberania tecnológica não se decreta em portaria: depende de capacidade instalada, governança e código que possa ser executado e auditado.

Para começar, abra uma issue técnica ou envie um pull request. Propostas de colaboração devem explicitar recursos, responsabilidades, governança de dados e critérios de validação. Não envie dados pessoais, confidenciais ou sem autorização.

Requer Python 3.11 ou superior. O baseline não exige GPU, token, banco de dados ou serviço pago.

python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate
pip install -r requirements.txt
python app.py

Abra http://localhost:7860, carregue uma imagem autorizada e selecione Executar análise. Para experimentar sem dados reais, use examples/synthetic_scene.png, uma composição artificial, não uma cena de satélite real.

pytest -q

O workflow de referência está em docs/GITHUB_ACTIONS_WORKFLOW.yml, mas ainda não está ativo em .github/workflows/; portanto, não há badge de CI ativo a exibir.

Comece pelo índice de documentação. A documentação técnica também inclui arquitetura, especificação, resumo, método científico, protocolo de validação, limitações, governança de dados, segurança, roadmap, novidade e anterioridade, ecossistema, contribuição e citação.

Aurora Geointelligence XAI is an experimental, CPU-first Python MVP for geospatial-image inspection and reproducible exploration. It reads PNG, JPEG, TIFF and GeoTIFF imagery, records available raster metadata, creates a display preview, applies scikit-learn MiniBatchKMeans to preview RGB pixels, optionally computes NDVI/NDWI from user-selected bands, and exports images with a traceable JSON report.

The implementation uses NumPy arrays, Rasterio, Pillow, scikit-learn and Gradio. It does not use PyTorch, contain pretrained remote-sensing weights, provide validated model-level explainability, claim scientific accuracy, or constitute a production/forensic system. Clusters are unlabeled visual groups; spectral indices depend on correct sensor bands and calibration. No MLCommons benchmark, Finep/CDTI partnership, institutional endorsement, legal admissibility or operational DREX/Cristal/Ybyrá integration is claimed.

The English and Portuguese manifestos express the authors’ political position. International developers, researchers and investors are invited to inspect the implementation, request reproducible evidence and discuss responsible cooperation.

O código original é distribuído sob Apache-2.0; dependências mantêm suas próprias licenças. Não há publicação científica, DOI, certificação ou parceria institucional declarada neste repositório. Revise metadados geográficos e nomes de arquivos antes de compartilhar relatórios. Não envie dados sigilosos ou sujeitos a restrição. Consulte docs/DATA_GOVERNANCE.md.