Análise de abordagens para preenchimento de falhas em séries de imagens de sensoriamento remoto

• Processo: 24/13136-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de outubro de 2024
• Data de Término da vigência: 30 de setembro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Geociências - Geofísica
• Pesquisador responsável: Rogério Galante Negri
• Beneficiário: Julia Bertoldo Ribeiro
• Instituição Sede: Instituto de Ciência e Tecnologia (ICT). Universidade Estadual Paulista (UNESP). Campus de São José dos Campos. São José dos Campos , SP, Brasil
• Assunto(s): Aprendizado computacional Programação Regressão Análise de séries temporais Sensoriamento remoto
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | detecção de mudanças | Preenchimento de falhas | programação | Regressão | Séries Temporais | Sensoriamento Remoto

Resumo

Análises ambientais têm se tornado cada vez mais importantes nos últimos anos, proporcionando uma compreensão detalhada dos impactos das atividades humanas sobre os ecossistemas e a biodiversidade. O sensoriamento remoto emerge como uma tecnologia essencial, permitindo análises amplas tanto espaciais quanto temporais. A detecção de mudança é especialmente relevante para estudos ambientais, pois identifica regiões submetidas a alterações ao longo do tempo. No entanto, fatores atmosféricos e geométricos podem interromper a disponibilidade contínua de imagens, criando lacunas na série temporal que podem comprometer as análises. Este projeto de pesquisa visa estudar e analisar diferentes abordagens para preenchimento de falhas em séries de imagens de sensoriamento remoto, melhorando o suporte a aplicações ambientais. Serão implementadas e testadas abordagens baseadas em modelos de aprendizado de máquina e modelos autorregressivos para dados amostrados irregularmente. A eficácia dessas abordagens será comparada indiretamente por meio da acurácia dos resultados em um estudo de caso ambiental, mapeando áreas afetadas por queimadas na região de Cáceres, Mato Grosso, utilizando séries de imagens Landsat-8 de 2014 a 2024.