Busca avançada
Ano de início
Entree

Análise de séries temporais de imagens de sensoriamento remoto para a detecção de anomalias

Processo: 20/06477-7
Linha de fomento:Bolsas no Brasil - Iniciação Científica
Vigência (Início): 01 de agosto de 2020
Vigência (Término): 31 de julho de 2021
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação
Pesquisador responsável:Maurício Araújo Dias
Beneficiário:Giovanna Carreira Marinho
Instituição-sede: Faculdade de Ciências e Tecnologia (FCT). Universidade Estadual Paulista (UNESP). Campus de Presidente Prudente. Presidente Prudente , SP, Brasil
Assunto(s):Aprendizado computacional   Visão computacional   Sensoriamento remoto   Análise de imagens   Análise de séries temporais   Reconhecimento de padrões   Anomalias   Análise quantitativa

Resumo

O uso de técnicas para análise de imagens de sensoriamento remoto auxiliadas por diferentes classificadores vem contribuindo significativamente para o desenvolvimento de novas metodologias por parte da comunidade científica, sendo essas, empregadas com sucesso a inúmeras aplicações. Recentemente, foi proposta uma estratégia de uso de classificadores para localização de poluição de água em imagens de sensoriamento remoto, a qual baseia-se em uma taxonomia para detecção de anomalias. Apesar disso, ainda são necessários estudos sobre a aplicação dessa estratégia em séries temporais de imagens. Este trabalho propõe realizar análise de séries temporais de imagens de sensoriamento remoto de modo a aumentar o número de ferramentas, abordagens e metodologias que poderão contribuir para a área de detecção de anomalias com foco em localização de poluição de água. Para isso, será usada uma metodologia que inicialmente realiza pré-processamento nos dados das imagens (baseado na aplicação de aumento de contraste e pan-sharpening) e amostragem. Em seguida, de acordo com a mesma metodologia, são feitos: treinamento de classificadores para classificações contextual e não contextual. As métricas acurácias, precisão, recall e F-measure (ou F1-score) serão usadas para validar os resultados, de modo a realizar uma análise quantitativa.