Métodos bayesianos de ondaletas para detecção de mudanças em áreas urbanas com múltiplos conjuntos de dados

• Processo: 25/27107-7
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
• Data de Início da vigência: 01 de dezembro de 2026
• Data de Término da vigência: 30 de abril de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
• Pesquisador responsável: Aluísio de Souza Pinheiro
• Beneficiário: Giovanni Pastori Piccirilli
• Supervisor: Paolo Ettore Gamba
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: Università degli Studi di Pavia, Itália
• Vinculado à bolsa: 24/22101-8 - Agrupamentos e Seleção de Variáveis em modelos de Regressão Funcional via Inferência Variacional., BP.PD
• Assunto(s): Inferência bayesiana Mudança climática Análise de ondaletas Sensoriamento remoto Inferência não paramétrica
• Palavra(s)-Chave do Pesquisador: Imagens SAR | Inferência Bayesiana | Mudanças Climáticas | Ondaletas | Sensoriamento Remoto | Wavelets | Inferência Não-Paramétrica

Resumo

A detecção de mudanças é uma tarefa importante realizada em imagens de sensoriamento remoto, permitindo que pesquisadores e engenheiros identifiquem e avaliem modificações em superfícies terrestres capturadas por imagens de satélite multitemporais. A análise de problemas como desmatamento (Barreto et al., 2016), rápida urbanização (Ban e Yousif, 2012) e derretimento de geleiras (Scher et al., 2021) é de grande importância para o estudo da dinâmica de regiões sensíveis às mudanças climáticas e à atividade humana.Além disso, o crescimento da disponibilidade de imagens de satélite nos últimos anos traz o desafio de analisar grandes volumes de dados adquiridos ao longo de longos períodos. Métodos de kernel desempenham um papel central no Machine Learning moderno e em Deep Learning, graças à sua capacidade de modelar relações não lineares complexas por meio de funções que permanecem lineares em seus parâmetros. Sua eficácia depende da escolha da função kernel e dos seus hiperparâmetros, tipicamente selecionados por validação cruzada.O Bayesian Kernel Learning surgiu como uma alternativa promissora, oferecendo um arcabouço probabilístico sólido que possibilita a seleção automática de kernels, maior interpretabilidade e quantificação de incertezas. Esses projetos preveem que o estudante permaneça por sete meses no Laboratoire d'Informatique, Systèmes, Traitement de l'Information et de la Connaissance, da Université de Savoie-Mont Blanc, em Annecy, França (LISTIC-USMB), sob supervisão do Prof. Abdou Atto, e por cinco meses no Telecommunications & Remote Sensing Laboratory, da University of Pavia (TCLAN-UNIPV), sob supervisão do Prof. Paolo Gamba. (AU)