Detecção de deslocamentos de pequenas áreas por métodos bayesianos de ondaletas

• Processo: 25/27106-0
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
• Data de Início da vigência: 01 de maio de 2026
• Data de Término da vigência: 30 de novembro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
• Pesquisador responsável: Aluísio de Souza Pinheiro
• Beneficiário: Giovanni Pastori Piccirilli
• Supervisor: Abdourrahmane Atto
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: Université Savoie Mont Blanc, França
• 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 Análise de ondaletas Sensoriamento remoto Inferência não paramétrica
• Palavra(s)-Chave do Pesquisador: Imagens SAR | Inferência Bayesiana | kernel | Ondaletas | Sensoriamento Remoto | Inferência Não-Paramétrica

Resumo

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 relevância para o estudo da dinâmica de regiões sensíveis a mudanças climáticas e à atividade humana.Além disso, o crescimento da disponibilidade de imagens de satélite nos últimos anos aumenta o desafio de analisar grandes volumes de dados obtidos ao longo de longos períodos. Métodos de kernel desempenham um papel central no aprendizado de máquina moderno e em deep learning, devido 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 de seus hiperparâmetros, geralmente selecionados via validação cruzada.A abordagem Bayesian Kernel Learning tem se destacado como uma alternativa promissora, oferecendo um framework probabilístico fundamentado que permite a seleção automática de kernels, maior interpretabilidade e quantificação da incerteza. Este projeto prevê a permanência do estudante 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. O trabalho será focado no desenvolvimento de metodologias estatísticas baseadas em wavelets para detecção de áreas de deslizamento lento em imagens de satélite multitemporais, com especial ênfase em abordagens bayesianas.