Defesa de Mestrado de Nathália Menini Cardoso dos Santos

Título do Trabalho
On the Characterization of Temporal Patterns for Remote Sensing Image Analysis
Candidato(a)
Nathália Menini Cardoso dos Santos
Nível
Mestrado
Data
Add to Calender 2019-04-26 00:00:00 2019-04-26 00:00:00 Defesa de Mestrado de Nathália Menini Cardoso dos Santos On the Characterization of Temporal Patterns for Remote Sensing Image Analysis Sala 85 do IC 2 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
10:00
Local
Sala 85 do IC 2
Orientador(a)
Ricardo da Silva Torres
Banca Examinadora

* Titulares

Unidade/Instituição

Ricardo da Silva Torres

IC/UNICAMP

Liana Oighenstein Anderson

CEMADEN

Leonor Patricia Cerdeira Morellato

UNESP

 

* Suplentes

Unidade/Instituição

Fábio Luiz Usberti

IC/UNICAMP

Bernardo Monteiro Flores

IB/UNICAMP

Resumo

É de fundamental importância detectar de forma precisa mudanças na superfície terrestre levando, por exemplo, a melhores tomadas de decisão. Em um contexto mais específico, biomas de florestas naturais e modificadas podem ter suas características significativamente modificadas devido a impactos de mudanças ambientais, que são conhecidas por aumentarem o risco de eventos meteorológicos extremos como, por exemplo, secas, enchentes e tempestades. De modo a detectar tais mudanças na superfície terrestre, imagens de sensoriamento remoto têm sido amplamente utilizadas recentemente. Depois da aquisição de tais dados, algoritmos de detecção de structural breaks têm sido empregados para identificar mudanças de tendência e/ou sazonalidade. Para facilitar o processo de análise de dados de sensoriamento remoto, diversas ferramentas já foram propostas. No entanto, mesmo com um grande número de ferramentas existentes, a usabilidade ainda é comprometida pela necessidade de trocar diversas vezes entre elas. Além disso, existem questões de interoperabilidade que vão desde a incompatibilidade de sistemas à variedade de perfis de pesquisadores envolvidos e aos diferentes tipos de dados manipulados. Um outro problema comum que contempla as áreas de ciência da computação, ecologia e sensoriamento remoto consiste em classificar tipos de vegetação em um certa região. Soluções da literatura que vêm sendo utilizadas para atacar esses problemas propõem a identificação de funções de similaridade temporais apropriadas ou até mesmo investigar representações de séries temporais mais adequadas. Entretanto, soluções que aproveitam as duas abordagens anteriores em um único framework têm sido negligenciadas na literatura. Nesta dissertação, nós avançamos em três linhas de pesquisa diferentes, porém interligadas: (i) proposta de uma nova metodologia que usa algoritmos de detecção de structural breaks para obter uma medida direta de recuperação da vegetação, (ii) o desenvolvimento de um conjunto de ferramentas que permite uma análise e processo de aprendizado fim-a-fim de dados de sensoriamento remoto, e (iii) o uso de um framework de soft computing que combina representações de série temporal através de recurrence plots e programação genética de modo a aprimorar resultados de classificação. Em (i), nós 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), nós 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), nós propomos uma nova abordagem para classificar regiões em imagens de sensoriamento remoto baseado em representações de séries temporais através de recurrence plot em combinação com programação genética. Nossa abordagem 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.