Tools and study cases for the characterization of remote sensing time series Ferramentas e estudos de caso para a caracterização de séries temporais de sensoriamento remoto

Orientadores: Ricardo da Silva Torres, Marina Hirota Magalhães Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação 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 Abstract: It is of fundamental importance to precisely detect changes in the Earth's surface, which may lead to, for instance, better decision making. In order to detect those changes in the Earth's surface, remote sensing images have been broadly used recently. As for change detection, the vegetation characterization of ecossystems is a topic of great importance to understand how complex natural systems are structured. In a more specific context, natural and modified forest ecossystem, such as the Amazon, may have their characteristics changed significantly due to climate change impacts, such as floods and droughts. In order to investigate such changes, several tools have already been proposed. However, their current usage is still compromised by the necessity of alternating several times across them and by the incompatibility of systems to the variety of user profiles, data types, and formats. Given the research problems listed above, in this thesis we propose to advance on three different and linked research venues: (i) to conceive a novel methodology that uses a structural break detection algorithm in order to obtain direct vegetation recovery measures regarding extreme climatic events, (ii) to develop of a toolbox that integrates several modules and that permits an end-to-end data analysis and learning process of remote sensing data, and (iii) to elaborate a soft computing framework that combines a recurrence plot time series representation, dissimilarity measures, and genetic programming in order to improve classification results in problems involving remote sensing data. In (i), we present a framework based on the correlation of temporal changes detected in precipitation and vegetation time series which leads us to better understand the resilience of the Amazon basin's vegetation related to extreme climatic events. In (ii), we introduce the Tucumã toolbox, developed as a toolkit with several modules that support the acquisition, exploration, analysis, clustering, and classification of remote sensing data. Lastly, in (iii), we propose a novel approach to classify regions of remote sensing images based on their time series properties encoded with recurrence plot representations in combination with genetic programming. Our approach led to more accurate results than several baselines considered, suggesting that it is suitable for classification problems involving remote sensing data with well-defined temporal profiles Mestrado Ciência da Computação Mestra em Ciência da Computação FAPESP 2016/26170-8 CNPQ 131187/2017-1