Desenvolvimento de algorítimos para criação de mapas temáticos usando dados de múltiplos sensores

• Processo: 18/09536-4
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de junho de 2018
• Data de Término da vigência: 30 de novembro de 2018
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Acordo de Cooperação: Microsoft Research
• Pesquisador responsável: Rubens Augusto Camargo Lamparelli
• Beneficiário: Greice Cristina Mariano
• Instituição Sede: Núcleo Interdisciplinar de Planejamento Energético (NIPE). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Empresa: Universidade Estadual de Campinas (UNICAMP). Núcleo Interdisciplinar de Planejamento Energético (NIPE)
• Vinculado ao auxílio: 14/50715-9 - Characterizing and predicting biomass production in sugarcane and eucalyptus plantations in brazil. (fapesp-microsoft research 2013), AP.PITE
• Assunto(s): Agricultura Satélites Monitoramento Sensoriamento remoto Reconhecimento de imagem Coleta de dados Aprendizado computacional Algoritmos para imagens Mapas Mapas temáticos
• Palavra(s)-Chave do Pesquisador: agriculture | Lulc | monitoring | satellites | Classificação de imagens-computação

Resumo

Com os avanços na tecnologia de sensores no Sensoriamento Remoto, novos desafios e oportunidades tem proporcionado um aumento significativo em pesquisas na área de reconhecimento de padrões. O aumento da disponibilização destas imagens, as quais possuem melhores resoluções espaciais/espectrais e temporais, têm demonstrado que mais detalhes podem ser encontrados com possibilidade de aplicações em várias áreas como urbanismo, agricultura e ecologia.Em geral, devido a fatores técnicos, os sensores são desenhados para um determinado objetivo específico, caracterizando-o em uma determinada resolução (especial, espectral ou temporal). Então, uma imagem de um sensor que coleta dados em uma alta resolução espacial, normalmente não oferece mutas bandas espectrais e oferecerá imagens poucas vezes por mes (baixa resolução temporal).Então, o maior desafio é encontrar uma técnica apropriada para reconhecimentos de objetos/alvos na superfície terrestre usando dados de vários sensores diferentes.Neste trabalho, o foco será no estudo e no desenvolvimento de algorítmos de "Aprendizado de Máquina" (Machine Learning) capaz de aprender e combinar padrões baseado em dados de imagens de diferentes sensores. O objetivo é ter um protocol capaz de criar mapas temáticos utilizando dados de sensores com diferentes resoluções espaciais, espectrais e temporais.