Defesa de Mestrado de Alexandre Esteves Almeida

Título do Trabalho
Time Series Components and Breakpoints in Remote Sensing Image Analysis
Candidato(a)
Alexandre Esteves Almeida
Nível
Mestrado
Data
04/08/20172017-08-03 21:00:00 2017-08-03 21:00:00 Defesa de Mestrado de Alexandre Esteves Almeida Time Series Components and Breakpoints in Remote Sensing Image Analysis Auditório do IC 2 - Sala 85 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
10:00
Local
Auditório do IC 2 - Sala 85
Orientador(a)
Ricardo da Silva Torres
Banca Examinadora

Titulares:
Ricardo da Silva Torres (IC/UNICAMP)
Bernardo Monteiro Flores (IB/UNICAMP)
Fábio Luiz Usberti (IC/UNICAMP)
Suplentes:
Breno Bernard Nicolau de França (IC/UNICAMP)
Rafael Silva Oliveira (IB/UNICAMP)

Resumo

A detecção e caracterização de mudanças temporais são indicadores cruciais no processo de compreensão da maneira como mecanismos complexos funcionam e evoluem. Técnicas e imagens de sensoriamento remoto têm sido amplamente empregadas nas últimas décadas com objetivo de detectar e investigar mudanças temporais na superfície terrestre. Tal detecção em dados de séries temporais é passível de ser refinada ainda mais isolando-se as componentes aditivas de tendência e sazonalidade do ruído subjacente. Este trabalho investiga, em particular, o método Breaks for Additive and Season Trend (BFAST) para a análise, decomposição e detecção de pontos de quebra em séries temporais associadas a dados de sensoriamento remoto. Os outputs do método são, então, utilizados em três distintas --- mas altamente interconectadas --- linhas de pesquisa: em uma melhor compreensão de fenômenos climáticos; na correlação com dados de distúrbios antropológicos; e em problemas de classificação usando funções de dissimilaridade descobertas por um framework evolucionário baseado em Programação Genética (GP). Experimentos realizados demonstram que a decomposição e pontos de quebra produziram resultados efetivos quando aplicados aos estudos com dados ecológicos, mas não foram capazes de melhorar os resultados de classificação quando comparados ao uso das séries brutas. As realizações nesses três contextos também culminaram na criação de duas ferramentas de análise de séries temporais com código aberto baseadas na web, sendo que uma delas foi tão bem aceita pela comunidade-alvo, que atualmente encontra-se integrada em uma plataforma privada de computação em nuvem.