Descoberta de conteúdo em catálogos de imagens de sensoriamento remoto

• Processo: 23/09118-6
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de março de 2024
• Data de Término da vigência: 28 de fevereiro de 2026
• Área do conhecimento: Ciências Exatas e da Terra - Geociências
• Pesquisador responsável: Thales Sehn Körting
• Beneficiário: Thales Sehn Körting
• Instituição Sede: Instituto Nacional de Pesquisas Espaciais (INPE). São José dos Campos , SP, Brasil
• Município da Instituição Sede: São José dos Campos
• Pesquisadores associados: Valdivino Alexandre de Santiago Júnior
• Auxílio(s) vinculado(s): 25/13461-3 - Inteligência de Máquina para Geoanálise e Sensoriamento Remoto (MIGARS 2025), AR.EXT
• Bolsa(s) vinculada(s): 24/20838-3 - Construção de um modelo de monitoramento de inundações usando deep learning com base em dados geoespaciais de múltiplas fontes, BP.DR; 24/22293-4 - Metodologia semiautomática para detecção de desastres em imagens disponibilizadas por satélites brasileiros, BP.PD; 24/18744-0 - Arquiteturas de aprendizado profundo para classificação de imagens de sensoriamento remoto, BP.TT; 24/06276-2 - Arquiteturas de aprendizado profundo para classificação de imagens de sensoriamento remoto, BP.TT
• Assunto(s): Sensoriamento remoto Desastres ambientais Queimada Incêndios Aprendizagem profunda Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Áreas queimadas | Deep Learning | desastres naturais | Inteligência Artificial | resposta rápida | Sensoriamento Remoto

Resumo

De acordo com as definições iniciais do termo big data, em que aparece a geração de novos dados de forma frequente em pelo menos 3 fatores (volume de dados cada vez maior, velocidade na criação de novos dados, e variedade/diversidade de dados) conseguimos enquadrar nesta definição as imagens de sensoriamento remoto (usualmente chamadas imagens de satélite). Desde os primeiros conjuntos de dados existentes, remontando ao satélite Landsat-1, lançado nos anos 70, aos PetaBytes gerados anualmente pela constelação Sentinel. Para lidar, de forma sistemática, com esta imensidão de dados, são necessários processos automáticos, que envolvem a programação de algoritmos de banco de dados, geoprocessamento, processamento de imagens, e reconhecimento de padrões. A integração destas diferentes áreas de trabalho tem sido chamada atualmente de spatial data science, apesar de não apresentar muitas novidades em relação às técnicas clássicas. Entretanto, a disponibilização de estruturas computacionais modernas, relacionadas com processamento gráfico mais potente e paralelo, está permitindo pesquisas na linha de redes neurais com arquiteturas profundas (comumente chamadas de Deep Learning). Este conceito, amplamente estudado a partir de um passado recente, permite a assimilação de grandes bases de dados (no caso desta proposta, imagens) para tarefas de reconhecimento de padrões, com taxas de acerto superiores a outros métodos difundidos na literatura (como árvores de decisão, ou máquinas de vetores de suporte). Esta proposta apresenta a continuidade do já finalizado projeto FAPESP 2017/24086-2, que avançou na geração de algoritmos para calcular metadados de imagens de satélite relacionados ao conteúdo presente nas imagens. Esta continuidade está na inclusão de métodos de Deep Learning para refinar o reconhecimento dos alvos presentes nas imagens geradas e disponibilizadas pelos satélites de sensoriamento remoto produzidos pelo Instituto Nacional de Pesquisas Espaciais (INPE), a saber CBERS-4, CBERS-4A e Amazonia-1. Além da técnica, a proposta se aprofunda em alvos específicos, como áreas queimadas, focos de incêndio em áreas de vegetação, deslizamentos de terra e alagamentos em áreas urbanas. (AU)

Publicações científicas

(4)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

MIRANDA, MATEUS DE SOUZA; HANSCH, RONNY; JUNIOR, VALDIVINO ALEXANDRE DE SANTIAGO; KORTING, THALES SEHN; MONTEIRO, ERISON CARLOS DOS SANTOS. CerraData-4 MM: A Multimodal Benchmark Dataset on Cerrado for Land Use and Land Cover Classification. IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, v. 18, p. 11-pg., 2025-01-01. (23/09118-6)

QUEVEDO, RENATA PACHECO; MACIEL, DANIEL ANDRADE; REIS, MARIANE SOUZA; RENNO, CAMILO DALELES; DUTRA, LUCIANO VIEIRA; ANDRADES-FILHO, CLODIS DE OLIVEIRA; VELASTEGUI-MONTOYA, ANDRES; ZHANG, TINGYU; KORTING, THALES SEHN; ANDERSON, LIANA OIGHENSTEIN. Land use and land cover changes without invalid transitions: A case study in a landslide-affected area. REMOTE SENSING APPLICATIONS-SOCIETY AND ENVIRONMENT, v. 36, p. 23-pg., 2024-09-13. (23/09118-6)

DE OLIVEIRA, ALISSON CLEITON; SEHN KOERTING, THALES. A multi-temporal dataset for mapping burned areas in the Brazilian Cerrado using time series of remote sensing imagery. BIG EARTH DATA, v. N/A, p. 32-pg., 2025-02-17. (23/09118-6)

DE SANTIAGO JUNIOR, VALDIVINO ALEXANDRE; MIRANDA, MATEUS DE SOUZA; RODRIGUES, MARCOS LIMA; DE CASTRO E SILVA, BAGGIO LUIZ; KORTING, THALES SEHN. A multi-view evaluation on semantic segmentation supported by deep neural networks for the Cerrado savanna. REVISTA GEOARAGUAIA, v. 15, n. 1, p. 24-pg., 2025-06-01. (23/09118-6)