Organização e armazenamento de imagens multitemporais georreferenciadas para suporte ao processo de detecção de mudanças

• Autor(a) principal: Souza, Luiz Eduardo Christovam de [UNESP]
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/180729
• topic: Banco de dados híbrido; NoSQL; Séries temporais de imagens; LUCC; DTW; Hybrid database; Remote sensing image time series

Atualmente o volume de dados produzidos tem atingido patamares nunca imaginados, sobretudo em decorrência da multiplicação do número de sensores e da popularização da internet, com a web 2.0 e as redes sociais. Dentre os diversos tipos de sensores existentes, os de imageamento, transportados principalmente por satélites, produzem vastos conjuntos de observações da superfície da Terra. A observação contínua da Terra por satélites possibilita o monitoramento de mudanças no uso e cobertura da terra. Contudo, em diversas pesquisas relacionadas a mudanças no planeta, são utilizados apenas pequenos fragmentos do imenso conjunto de dados existente, essencialmente devido a ainda haver uma lacuna científicatecnológica relacionada aos procedimentos de organização, armazenamento, análise e representação de grandes conjuntos de dados. Portanto, nessa pesquisa foi definida uma estrutura para organização, armazenamento e recuperação de dados espaço-temporais, com o propósito de fornecer suporte a detecção de mudanças na cobertura da terra. Para tanto, foi definida como aplicação a análise de séries temporais de Normalized Difference Vegetation Index (NDVI) derivadas de imagens adquiridas desde 1984 até 2017, pelos sensores Thematic Mapper (TM), Enhanced Thematic Mapper Plus (ETM+) e Operational Land Imager (OLI) para a região de Porto Velho, Rondônia. Foi construída uma série temporal de NDVI para a posição de cada pixel presente na área de estudo. Regiões de referência foram definidas para recuperar séries temporais de referência que descrevem os tipos de cobertura da terra e classes de mudanças (antrópicas ou naturais). O algoritmo Fast Dynamic Time Warping (FastDTW), foi adotado para medir a similaridade entre séries temporais, a serem classificadas e de referência. Para determinar a classe da série temporal, as distâncias obtidas com o FastDTW foram classificadas com o algoritmo k-Nearest Neigbor (kNN). A classificação de várias séries permitiu a construção do mapa de mudanças para uma área teste inserida na área de estudo. A respeito do banco de dados, esse foi definido com uma abordagem híbrida, foram utilizados o modelo relacional, que permitiu armazenar dados rigidamente estruturados, e o modelo de dados não relacional (NoSQL), que possibilitou armazenar dados semiestruturados. Essa estrutura de armazenamento foi fundamental para a automatização da aplicação, permitindo a organização, armazenamento e recuperação de um extenso conjunto de dados heterogêneos de forma consistente e segura. Com relação às séries temporais foi possível observar que de maneira geral o perfil temporal de NDVI pode descrever o tipo de cobertura da terra, entretanto efeitos atmosféricos, nuvens, fumaça, entre outros, exercem influência no comportamento da série temporal. Foram realizadas duas classificações, com tamanhos de raio iguais a 1 e 20 para o FastDTW. A concordância global dos mapas produzidos foi de 58,06% e 55,02%, respectivamente. Apesar desses valores serem relativamente baixos, esses resultados são justificados pelo caráter subjetivo presente na caracterização de mudanças temporais, pela não filtragem das séries temporais e pela elevada variação no tamanho das séries.