Mineração de informações para busca automática em catálogos de imagens de sensoriamento remoto

• Ano de defesa: 2018
• Autor(a) principal: Mikhaela Aloísia Jéssie Santos Pletsch
• Orientador(a): Thales Sehn Körting
• Banca de defesa: Luiz Eduardo Oliveira e Cruz de Aragão, Camila Souza dos Anjos Lacerda
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Sensoriamento Remoto
• País: BR
• Resumo em Inglês: The Earth Observation database is almost on the scale of Zettabyte (10$^{12}$GB). Produced at a rapid rate, those data also present great diversity, due to the range of sensor types. In such a manner, this kind of data is also classified as Big Data, and present opportunities, such as the possibility to analyse and integrate different data, as well as challenges, mainly regarding storing and processing steps in order to be available to users. The distribution of this database is normally through catalogues, which searching criteria is limited to tradicional metadata, as aquisition date, sensor characteristics and geographical localization. Thus, there remaind a demand for a tool which enables users to search for images based on phenomena in lieu of date or location in a data fusion perspective. In this manner, this work resulted in a Remote Sensing Image Information Mining (ReSIIM) prototype able to make smart searches in big databases based on well-known and basic targets found in Remote Sensing imagery: cloud, cloud shadow, clear land (continel area), water, forest and bare soil. Finally, this work also presents tests based on ReSIIM use in three approaches, spatial, temporal and spectral.
• Link de acesso: http://urlib.net/sid.inpe.br/mtc-m21b/2018/01.30.16.56

A base de dados de observação da Terra está se aproximando da escala de zettabyte (1ZB = 10$^{12}$GB). Produzidos em alta velocidade, estes dados apresentam também grande variedade, devido a fatores como a diversidade dos sensores existentes. Frente a estas características, são enquadrados como Big Data, e apresentam tanto oportunidades, como a possibilidade de analisar e integrar um maior conjunto de dados, quanto desafios, principalmente no armazenamento e processamento para que possam ser disponibilizados aos usuários. A distribuição desta base é geralmente realizada por meio de catálogos, cujos parâmetros de buscas ainda são limitados aos metadados tradicionais de imagens de satélite, como data de aquisição, características do sensor e localização geográfica da área imageada. Assim, ainda existe uma demanda em oferecer aos usuários parâmetros com base no conteúdo das imagens em uma perspectiva de fusão de dados, permitindo buscas mais refinadas para dar suporte a estudos específicos e possíveis tomadas de decisão. Nesse contexto, o presente trabalho resultou em um protótipo de mineração de informações de imagens de Sensoriamento Remoto (Remote Sensing Image Information Mining - ReSIIM), capaz de realizar buscas inteligentes em grandes catálogos de imagens com base nos alvos de nuvem, sombra de nuvem, área continental, água, floresta e solo exposto. Por fim, este trabalho também apresenta testes sobre o uso do ReSIIM em 3 abordagens, espacial, temporal e espectral.