Fechar
Metadados

@MastersThesis{Pletsch:2018:MiInBu,
               author = "Pletsch, Mikhaela Alo{\'{\i}}sia J{\'e}ssie Santos",
                title = "Minera{\c{c}}{\~a}o de informa{\c{c}}{\~o}es para busca 
                         autom{\'a}tica em cat{\'a}logos de imagens de sensoriamento 
                         remoto",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2018",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2018-02-09",
             keywords = "minera{\c{c}}{\~a}o de informa{\c{c}}{\~o}es de imagens, 
                         cat{\'a}logo de imagens de sensoriamento remoto, metadados, big 
                         data, fus{\~a}o de dados, image information mining, remote 
                         sensing image catalogue, metadata, big data, data fusion.",
             abstract = "A base de dados de observa{\c{c}}{\~a}o da Terra est{\'a} se 
                         aproximando da escala de zettabyte (1ZB = 10\$^{12}\$GB). 
                         Produzidos em alta velocidade, estes dados apresentam tamb{\'e}m 
                         grande variedade, devido a fatores como a diversidade dos sensores 
                         existentes. Frente a estas caracter{\'{\i}}sticas, s{\~a}o 
                         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 usu{\'a}rios. A 
                         distribui{\c{c}}{\~a}o desta base {\'e} geralmente realizada 
                         por meio de cat{\'a}logos, cujos par{\^a}metros de buscas ainda 
                         s{\~a}o limitados aos metadados tradicionais de imagens de 
                         sat{\'e}lite, como data de aquisi{\c{c}}{\~a}o, 
                         caracter{\'{\i}}sticas do sensor e localiza{\c{c}}{\~a}o 
                         geogr{\'a}fica da {\'a}rea imageada. Assim, ainda existe uma 
                         demanda em oferecer aos usu{\'a}rios par{\^a}metros com base no 
                         conte{\'u}do das imagens em uma perspectiva de fus{\~a}o de 
                         dados, permitindo buscas mais refinadas para dar suporte a estudos 
                         espec{\'{\i}}ficos e poss{\'{\i}}veis tomadas de decis{\~a}o. 
                         Nesse contexto, o presente trabalho resultou em um prot{\'o}tipo 
                         de minera{\c{c}}{\~a}o de informa{\c{c}}{\~o}es de imagens de 
                         Sensoriamento Remoto (Remote Sensing Image Information Mining - 
                         ReSIIM), capaz de realizar buscas inteligentes em grandes 
                         cat{\'a}logos de imagens com base nos alvos de nuvem, sombra de 
                         nuvem, {\'a}rea continental, {\'a}gua, floresta e solo exposto. 
                         Por fim, este trabalho tamb{\'e}m apresenta testes sobre o uso do 
                         ReSIIM em 3 abordagens, espacial, temporal e espectral. ABSTRACT: 
                         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.",
            committee = "Escada, Maria Isabel Sobral (presidente) and K{\"o}rting, Thales 
                         Sehn (orientador) and Arag{\~a}o, Luiz Eduardo Oliveira e Cruz de 
                         and Lacerda, Camila Souza dos Anjos",
         englishtitle = "Information mining for automatic search in Remote sensing image 
                         catalogs",
             language = "pt",
                pages = "105",
                  ibi = "8JMKD3MGP3W34P/3QF6JPP",
                  url = "http://urlib.net/rep/8JMKD3MGP3W34P/3QF6JPP",
           targetfile = "publicacao.pdf",
        urlaccessdate = "04 dez. 2020"
}


Fechar