Análise de Abordagens para Imputação de Dados em Séries Espaciais e Temporais

• Processo: 25/20963-5
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de novembro de 2025
• Data de Término da vigência: 31 de outubro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
• Pesquisador responsável: Aluísio de Souza Pinheiro
• Beneficiário: Júlia Pedroso Leal
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 23/02538-0 - Séries temporais, ondaletas, dados de alta dimensão e aplicações, AP.TEM
• Assunto(s): Aprendizagem profunda Sensoriamento remoto Análise de séries temporais
• Palavra(s)-Chave do Pesquisador: dados espaço-temporais | dados faltantes | Deep Learning | Modelos paramétricos | Sensoriamento Remoto | Séries Temporais

Resumo

A análise de séries temporais distribuídas espacial e temporalmente, como as obtidas porsensoriamento remoto, é fundamental para uma ampla gama de aplicações ambientais. Essesdados são essenciais para monitorar mudanças ambientais, avaliar impactos de desastresnaturais e apoiar práticas de manejo sustentável [Krichen et al.(2024)]. Entretanto, umdesafio comum é a ocorrência de lacunas, causadas por interrupções na seqüência temporalou falhas regionais isoladas.A ausência de dados pode comprometer significativamente a precisão e confiabilidadedas análises. Métodos tradicionais para lidar com esse problema normalmente focamapenas na dimensão espacial ou temporal, mas não em ambas simultaneamente, falhandoao lidar com a complexidade inerente aos dados espaço-temporais [Hamdi et al.(2022)].Técnicas estatísticas, como interpolação e extrapolação, oferecem soluções simples, masque podem não capturar padrões complexos [Little and Rubin(2019)]. Abordagens deinteligência computacional, incluindo aprendizado de máquina e redes neurais, são maissofisticadas, mas exigem maior capacidade computacional e conhecimento especializado[Gond et al.(2021)].Os avanços recentes em deep learning, especialmente redes neurais convolucionais(CNNs) e recorrentes (RNNs), mostram grande potencial para capturar padrões complexose dependências nos dados [Goodfellow et al.(2016)]. Motivada por esse cenário,esta pesquisa investigará diferentes técnicas de imputação de dados baseadas em deep learning,visando melhorar a qualidade e confiabilidade das análises ambientais com dadosde sensoriamento remoto. (AU)