Tools and study cases for the characterization of remote sensing time series

Autor(es)

Nathália Menini Cardoso dos Santos

• Tipo de documento: Dissertação de Mestrado
• Imprenta: Campinas, SP.
• Instituição: Universidade Estadual de Campinas (UNICAMP). Instituto de Computação
• Data de defesa: 2019-04-26

Membros da banca

Ricardo da Silva Torres; Leonor Patricia Cerdeira Morellato; Liana Oighenstein Anderson

• Orientador: Ricardo da Silva Torres; Marina Hirota

Resumo

É de fundamental importância detectar de forma precisa mudanças na superfície terrestre levando, por exemplo, a melhores tomadas de decisão. De modo a detectar tais mudanças na superfície terrestre, imagens de sensoriamento remoto têm sido amplamente utilizadas. Assim como a detecção de mudanças, a caracterização da vegetação dos ecossistemas é um tópico de grande importância para compreender como sistemas naturais complexos estruturam-se. Em um contexto mais específico, ecossistemas de florestas naturais e modificadas, tal como a Amazônia, podem ter suas características significativamente modificadas devido a impactos de mudanças ambientais como, por exemplo, enchentes e secas. Com o propósito de investigar tais mudanças, diversas ferramentas de sensoriamento remoto já foram propostas. No entanto, a usabilidade ainda é comprometida pela necessidade de trocar diversas vezes entre elas e pela incompatibilidade de sistemas considerando-se a variedade de perfis de pesquisadores envolvidos e os diferentes tipos de dados manipulados. Levando-se em conta os problemas de pesquisa elencados acima, nesta dissertação nossa proposta foi avançar em três linhas de pesquisa diferentes e interligadas: (i) conceber uma nova metodologia que utiliza algoritmos de detecção de structural breaks para obter medidas diretas de recuperação da vegetação em relação a eventos climáticos extremos, (ii) desenvolver uma caixa de ferramentas que acople um conjunto de módulos que permita uma análise e processo de aprendizado fim-a-fim de dados de sensoriamento remoto, e (iii) elaborar um framework de soft computing que combina representações de séries temporais através do uso de recurrence plots, medidas de dissimilaridade e programação genética, de modo a aprimorar resultados de classificação em problemas que envolvem dados de sensoriamento remoto. Em (i), apresentamos um framework baseado na correlação de mudanças temporais detectadas em séries temporais de vegetação e precipitação que nos levou a um melhor entendimento sobre a resiliência da bacia amazônica em relação a eventos extremos climáticos. Em (ii), introduzimos a caixa de ferramentas Tucumã, desenvolvida como um aplicativo com diversos módulos que permitem a aquisição, exploração, análise, clusterização e classificação de dados de sensoriamento remoto. Por fim, em (iii), propusemos uma nova abordagem para classificar regiões em imagens de sensoriamento remoto baseada em representações de séries temporais através de recurrence plot em combinação com programação genética. A abordagem proposta levou a resultados mais precisos quando em comparação a diversos baselines, sugerindo que nossa metodologia é adequada para problemas de classificação que envolvem dados de sensoriamento remoto com perfis temporais bem definidos (AU)

• Processo FAPESP: 16/26170-8 - Detecção de structural breaks em séries temporais e seu uso na definição de medidas de estabilidade
• Beneficiário: Nathália Menini Cardoso dos Santos
• Modalidade de apoio: Bolsas no Brasil - Mestrado