Métodos de aprendizado por máquina para análise de séries temporais densas de imagens de satélite

• Processo: 18/03769-7
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de maio de 2018
• Data de Término da vigência: 31 de dezembro de 2018
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Gilberto Camara Neto
• Beneficiário: Heloisa Musetti Ruivo
• Instituição Sede: Instituto Nacional de Pesquisas Espaciais (INPE). Ministério da Ciência, Tecnologia e Inovação (Brasil). São José dos Campos , SP, Brasil
• Vinculado ao auxílio: 14/08398-6 - E-Sensing: análise de grandes volumes de dados de observação da terra para informação de mudanças de uso e cobertura da terra, AP.ESCIENCE.TEM
• Assunto(s): Aprendizado computacional Análise de séries temporais Imagens de satélites Processamento de imagens Sensoriamento remoto Uso do solo
• Palavra(s)-Chave do Pesquisador: Big Earth observation data | Land Use and Land Cover Change | machine learning | Satellite Image TIme Series | Aprendizado por máquina

Resumo

Esta proposta de bolsa de estudos apoiará um dos objetivos do projeto temático FAPESP e-sensing (2014/08398-6). O bolsista irá desenvolver métodos que utilizam aprendizado de máquina para analisar séries temporais de imagens de satélite. Na literatura de Sensoriamento Remoto e Processamento de Imagens de Satélite, não existem métodos abrangentes para acoplar séries temporais de imagens de satélite com aprendizado de máquina. Por esta razão, a bolsista será responsável pelo desenvolvimento de um pacote R que realiza essas tarefas. A tarefa é típica de e-science, por combinar conhecimento sobre Computação, Estatística, Big Data e Observação da Terra. (AU)