9.3. Metodologia para Descoberta de Padrões em Séries Temporais de Imagens

No contexto dessa capacitação, nós propomos duas metodologias usando SOM (Self-Organizing Maps) e Hierarquical Cluster, baseado nos trabalhos anteriores [114] e [159], para descobrir padrões em séries temporais de imagens dentro de uma gleba, apresentado na Figura 9.13, e em múltiplas glebas do Sicor, apresentado na Figura 9.14.

Metodologia para descoberta de padrões em séries temporais de imagens dentro de uma gleba do Sicor

Figura 9.13 - Metodologia para descoberta de padrões em séries temporais de imagens dentro de uma gleba do Sicor.

Metodologia para descoberta de padrões em séries temporais de imagens em múltiplas glebas do Sicor

Figura 9.14 - Metodologia para descoberta de padrões em séries temporais de imagens em múltiplas glebas do Sicor.

As duas metodologias acessam os cubos de dados de imagens produzidos pelo do projeto Brazil Data Cube e disponíveis através do serviço Seção 6.2 - SpatioTemporal Asset Catalogs (STAC). As duas metodologias utilizam o método Seção 9.2 - SOM (Self-Organizing Maps) para agrupar as séries temporais similares na grade de saída, utilizando a Seção 9.1 - Distância Euclidiana. Como o número de séries temporais e o número de possíveis padrões são maiores na segunda metodologia para múltiplas glebas, usamos o método Hierarquical Cluster para agrupar os vetores de peso do mapa SOM, utilizando a Seção 9.1 - Distância DTW.

Os resultados da metodologia para descoberta de padrões em séries temporais de imagens dentro de uma gleba do Sicor são mostrados nas Figuras 9.15, 9.16, 9.17 e 9.18.

Resultado para gleba 1 da metodologia para descoberta de padrões em séries temporais de imagens

Figura 9.15 - Resultado da metodologia para descoberta de padrões em séries temporais de imagens para a gleba 1: (A) imagem de alta resolução da gleba 1; e (B) os grupos semelhantes ou clusters gerados dentro da gleba 1 a partir de suas séries temporais de imagens.

Resultado para gleba 1 da metodologia para descoberta de padrões em séries temporais de imagens.

Figura 9.16 - As séries temporais de imagens dos 9 grupos ou clusters gerados para a gleba 1 usando a metodologia: (A) imagem de alta resolução da gleba 1 e seus grupos; e (B) os vetores de peso e as séries temporais de cada neurônio no mapa de saída do SOM.

Resultado para gleba 2 da metodologia para descoberta de padrões em séries temporais de imagens

Figura 9.17 - Resultado da metodologia para descoberta de padrões em séries temporais de imagens para a gleba 2: (A) imagem de alta resolução da gleba 2; e (B) os grupos semelhantes ou clusters gerados dentro da gleba 2 a partir de suas séries temporais de imagens.

Resultado para gleba 2 da metodologia para descoberta de padrões em séries temporais de imagens

Figura 9.18 - As séries temporais de imagens dos 9 grupos ou clusters gerados para a gleba 2 usando a metodologia: (A) imagem de alta resolução da gleba 1 e seus grupos; e (B) os vetores de peso e as séries temporais de cada neurônio no mapa de saída do SOM.

O seguinte Jupyter Notebook implementa essas metodologias com dados das glebas:

  • Padrões de séries temporais de imagens. Disponível como Code de nome tema7-padroes-series-temporais-imagensia em Kaggle - Geo Credito Rural.