Métodos de Estimação e Previsão de Séries Temporais de Geoimagens Usando Aprendizado de Máquina
Sensoriamento remoto, séries temporais, desertificação, previsão, predição, redes neurais, árvores de decisão, SVM.
Os Subsídios em meios hídricos naturais são utilizados com distintas finalidades entre as pessoas que precisam desse recurso, entre as quais se destacam o abastecimento de água, a geração de energia, a irrigação, e na navegação. No entanto, nas últimas décadas, esse precioso recurso vem sendo ameaçado pelas ações indevidas do homem. Para melhor direcionar os recursos na prevenção e na mitigação dos efeitos causados pela falta deste recurso, se faz necessário o desenvolvimento de métodos confiáveis de previsão. A pesquisa explana dois métodos de previsão inteligente, baseado em técnicas de aprendizagem de máquina implementados (redes neurais, arvore de decisão) e agora com a utilização do algoritmo SVM, para estimar modelos preditivos 2D, visando ponderar mudanças futuras dos recursos hídricos, a partir das informações retiradas do histórico de uma série temporal de imagens de sensoriamento remoto NDVI (Normal Difference Vegetation Index), obtida do Center Space Research da University of Texas, Austin. A Predição da acurácia de tais recursos naturais podem ter grande impacto e relevância para a sociedade, haja vista que a estimação precisa do comportamento futuro desses recursos, podem orientar às autoridades no processo da tomada de decisão, em se tratando de prever e mitigar possíveis desastres ambientais e socioambientais, decorrentes de alterações climáticas produzidas pelo aquecimento global, reduzindo-se assim os custos operacionais no processo. E obtendo pelos algoritmos utilizados na pesquisa um comitê de maquinas que viabilize estudos para a previsão de catástrofes naturais e pelo meio humano.