Autor(es)

Ananias, Pedro Henrique M. ; Negri, Rogerio G. ; Bressane, Adriano ; Dias, Mauricio A. ; Silva, Erivaldo A. ; Casaca, Wallace

• Tipo de documento: Artigo Científico
• Fonte: SOFTWARE IMPACTS; v. 17, p. 3-pg., 2023-06-13.

Resumo

This paper presents a fully automated framework for algal bloom forecasting in inland water by combining remote sensing data series and unsupervised machine learning concepts. In contrast to other methods in the specialized literature that usually employ pre-labeled data, the proposed approach was designed to be fully autonomous concerning pre-requisites, assuming as input only a time series of remotely sensed products to forecast algal proliferation. In more technical terms, the designed machine-intelligent methodology comprises the steps of pre-processing, feature extraction and modeling, and it learns unsupervised from past events to predict future scenarios of algal blooms, outputting algal insurgence maps. (AU)

• Processo FAPESP: 21/03328-3 - Desenvolvimento de novas metodologias e soluções tecnológicas inteligentes em segmentação de imagens digitais e enfrentamento da COVID-19
• Beneficiário: Wallace Correa de Oliveira Casaca
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 16/24185-8 - Detecção, análise e localização de anomalias: um estudo de caso sobre imagens digitais estáticas de sensoriamento remoto aplicado à Cartografia
• Beneficiário: Maurício Araújo Dias
• Modalidade de apoio: Bolsas no Exterior - Pesquisa
• Processo FAPESP: 21/01305-6 - Avanços teóricos em detecção de anomalias e construção de sistemas de monitoramento ambiental
• Beneficiário: Rogério Galante Negri
• Modalidade de apoio: Auxílio à Pesquisa - Regular