Resultado da Pesquisa
A expressão de busca foi <related:sid.inpe.br/mtc-m21c/2018/09.13.13.59.52-0:en:title:2:satellite learning machine series:sits data analysis machine learning using satellite image time series:>.
13 referências similares foram encontradas(inclusive a original) buscando em 22 dentre 22 Arquivos
(este total pode incluir algumas duplicatas - para ver a conta certa clique no botão Mostrar Todas).
As 10 mais recentes estão listadas abaixo.
Data e hora local de busca: 16/05/2024 20:02.

1. Identificação
Tipo de ReferênciaResumo em Evento (Conference Proceedings)
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/3RQS5DE
Repositóriosid.inpe.br/mtc-m21c/2018/09.13.13.59
Última Atualização2018:09.13.13.59.52 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21c/2018/09.13.13.59.52
Última Atualização dos Metadados2019:01.14.17.06.35 (UTC) administrator
Chave SecundáriaINPE--PRE/
Chave de CitaçãoSimõesCamaQuei:2018:DaAnMa
TítuloSits: data analysis and machine learning using satellite image time series
Ano2018
Data de Acesso16 maio 2024
Tipo SecundárioPRE CN
Número de Arquivos1
Tamanho965 KiB
2. Contextualização
Autor1 Simões, Rolf Ezequiel de Oliveira
2 Camara, Gilberto
3 Queiroz, Gilberto Ribeiro de
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHB8
3 8JMKD3MGP5W/3C9JHBC
Grupo1 CGOBT-CGOBT-INPE-MCTIC-GOV-BR
2 DIDPI-CGOBT-INPE-MCTIC-GOV-BR
3 DIDPI-CGOBT-INPE-MCTIC-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 rolf.simoes@inpe.br
2 gilberto.camara@inpe.br
3 gilberto.queiroz@inpe.br
Nome do EventoWorkshop de Computação Aplicada, 18 (WORCAP)
Localização do EventoSão José dos Campos, SP
Data21-23 ago.
Páginas18
Título do LivroResumos
Histórico (UTC)2018-09-13 14:00:22 :: simone -> administrator :: 2018
2019-01-14 17:06:35 :: administrator -> simone :: 2018
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-Chavesatellite image time series
machine learning
land cover classification
open source software
ÁreaSRE
Arranjo 1urlib.net > BDMCI > Fonds > Produção anterior à 2021 > DIDPI > Sits: data analysis...
Arranjo 2urlib.net > BDMCI > Fonds > Produção anterior à 2021 > CGOBT > Sits: data analysis...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 13/09/2018 10:59 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34R/3RQS5DE
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34R/3RQS5DE
Idiomaen
Arquivo Alvosimoes_sits.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3EQCCU5
8JMKD3MGPCW/3EU2H28
Lista de Itens Citandosid.inpe.br/mtc-m21/2012/07.13.14.49.22 3
sid.inpe.br/bibdigital@80/2006/04.07.15.50.13 2
sid.inpe.br/bibdigital/2013/09.09.15.05 1
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
6. Notas
Campos Vaziosabstract archivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition editor format isbn issn label lineage mark mirrorrepository nextedition notes numberofvolumes orcid organization parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress readpermission rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject tertiarymark tertiarytype type url volume
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/49NEEFL
Repositóriosid.inpe.br/mtc-m21c/2023/08.30.10.51
Última Atualização2023:08.30.10.51.44 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21c/2023/08.30.10.51.44
Última Atualização dos Metadados2023:09.14.01.13.45 (UTC) administrator
Chave SecundáriaINPE--PRE/
Chave de CitaçãoSimões:2019:LaUsLa
TítuloLand use and land cover classification of satellite image time series using machine learning
Ano2019
Data de Acesso16 maio 2024
Tipo SecundárioPRE CN
Número de Arquivos1
Tamanho101 KiB
2. Contextualização
AutorSimões, Rolf Ezequiel de Oliveira
GrupoCAP-COMP-SESPG-INPE-MCTIC-GOV-BR
AfiliaçãoInstituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autorrolfsimoes@gmail.com
EditorSantos, R. D. C.
Queiroz, G. R.
Nome do EventoWorkshop de Computação Aplicada, 19 (WORCAP)
Localização do EventoSão José dos Campos, SP
Data17-19 set. 2019
Título do LivroAnais
Tipo TerciárioPoster
Histórico (UTC)2023-08-30 10:51:44 :: simone -> administrator ::
2023-09-14 01:13:45 :: administrator -> simone :: 2019
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
ResumoThe human activities are impacting the global environment and the Earth surface. Research on new technologies to assess and monitor this impact is a necessary task to improve our knowledge on Earth system dynamics. One way to understand the environmental changes is to look to land cover and land use changes. In the past few decades, the Earth surface imaging done by orbital sensors is the most consistent way to do this task globally and periodically. Nowadays, the planet is continuously monitored and a several imagery databases are open to the public community. This massive volume of spatio-temporal suggested the concept of big Earth Observation data that, associated with the recent innovations on information technologies and connectivity, increased the attention to the Earth Observation data cubes (EODC) (Strobl, 2017; Giuliani et al., 2019). More than a way to organize multidimensional data, an EODC can be viewed as a package of solutions intended to facilitate its consumption by researchers. Recently, some private and governmental initiatives by research groups and institutions worldwide are producing and delivering EODC. INPE, the National Institute for Space Research in Brazil, is working on a challenging project, organize and deliver the Brazilian Data Cube (BDC) (INPE, 2019). Here, we present a work in progress model of the BDC catalog database using the Unified Modeling Language (UML) to clarifies some concepts and propose its Entity-Relationship model. The BDC catalog database is a central component of the data cube technology. It enables the search and retrieval of its data elements and facilitates the interoperability between services and client softwares.
ÁreaCOMP
Arranjo 1urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Land use and...
Arranjo 2urlib.net > BDMCI > Fonds > WORCAP > XIX WORCAP > Land use and...
Arranjo 3urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > XIX WORCAP > Land use and...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 30/08/2023 07:51 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34R/49NEEFL
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34R/49NEEFL
Idiomaen
Arquivo AlvoSimoes_land.pdf
Grupo de Usuáriossimone
Visibilidadeshown
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2017/11.22.19.04.03
Unidades Imediatamente Superiores8JMKD3MGPCW/3F2PHGS
8JMKD3MGPDW34P/49QQGM8
Lista de Itens Citandosid.inpe.br/mtc-m16c/2023/09.14.01.13 3
sid.inpe.br/bibdigital/2013/10.12.22.16 1
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
6. Notas
Campos Vaziosarchivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition format isbn issn keywords label lineage mark nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress readergroup readpermission resumeid rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject tertiarymark type url volume
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaTese ou Dissertação (Thesis)
Sitemtc-m21c.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34R/44KLMUS
Repositóriosid.inpe.br/mtc-m21c/2021/05.05.01.16
Última Atualização2021:09.28.17.39.53 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21c/2021/05.05.01.16.36
Última Atualização dos Metadados2022:04.03.23.15.44 (UTC) administrator
Chave SecundáriaINPE-18471-TDI/3119
Chave de CitaçãoSimões:2021:LaUsLa
TítuloLand use and land cover classification of satellite image time series using machine learning
Título AlternativoClassificação de uso e cobertura da terra a partir de séries temporais de imagens de satélite usando métodos de aprendizado de máquina
CursoCAP-COMP-DIPGR-INPE-MCTI-GOV-BR
Ano2021
Data2021-05-12
Data de Acesso16 maio 2024
Tipo da TeseTese (Doutorado em Computação Aplicada)
Tipo SecundárioTDI
Número de Páginas65
Número de Arquivos1
Tamanho2413 KiB
2. Contextualização
AutorSimões, Rolf Ezequiel de Oliveira
BancaSantos, Rafael Duarte Coelho dos (presidente)
Camara Neto, Gilberto (orientador)
Queiroz, Gilberto Ribeiro de (orientador)
Almeida, Claudio Aparecido
Arvor, Damien
Lorena, Ana Carolina
Endereço de e-Mailrolf.simoes@inpe.br
UniversidadeInstituto Nacional de Pesquisas Espaciais (INPE)
CidadeSão José dos Campos
Histórico (UTC)2021-05-05 01:17:26 :: rolf.simoes@inpe.br -> pubtc@inpe.br ::
2021-05-06 19:18:10 :: pubtc@inpe.br -> rolf.simoes@inpe.br ::
2021-07-20 22:34:09 :: rolf.simoes@inpe.br -> pubtc@inpe.br ::
2021-07-21 17:11:29 :: pubtc@inpe.br -> rolf.simoes@inpe.br ::
2021-07-27 15:17:51 :: rolf.simoes@inpe.br -> pubtc@inpe.br ::
2021-12-03 18:34:58 :: pubtc@inpe.br -> simone ::
2021-12-03 18:42:06 :: simone :: -> 2021
2021-12-03 18:42:07 :: simone -> administrator :: 2021
2022-04-03 23:15:44 :: administrator -> :: 2021
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-Chavebig Earth observation data
satellite image time series
machine learning
land use and land cover maps
cloud computing
big data
observação da Terra
séries temporais de imagens de satélites
aprendizado de máquina
mapas de uso e cobertura da terra
computação em nuvem
ResumoHuman activities are impacting the global environment and changing the landscape of the Earth at an unprecedented pace. One way to understand and quantify the impacts of these transformations is to measure land cover and land use changes. Earth observation by orbital sensors has became the most consistent way to do this task as it reaches all globe in a periodic manner. The planet is continuously monitored and large image databases are open to the public community. Cloud computing is becoming the main choice for storage, distribution, and processing of satellite imagery. To use these data sets to understand how our planet is changing, researchers are developing software for big Earth observation data analytics. The massive volume of spatiotemporal digital assets has brought about a major computational challenge: how to design and build technologies that allow the Earth observation community to analyse big data sets? This thesis addresses this problem by proposing an open source R package called sits. The package works with satellite image time series and machine learning methods to produce land use and land cover classification in a time-first, space-later approach. Our hypothesis is that using all observed spectral values of the time series coupled with advanced statistical learning methods is a robust approach for land classification. Two case studies show that this approach produces results of high accuracy. The first was conducted in Mato Grosso State, Brazil, for years 2001-2017. The second was conducted in Cerrado biome for the year 2018. These study areas comprise some of the worlds most dynamic agricultural frontiers. To show how to access collections of satellite images, we also present the rstac R package. This package allows sits to connect to different imagery repositories on the cloud. RESUMO: As atividades humanas estão impactando o meio ambiente global e mudando a paisagem da Terra a um ritmo sem precedentes. Uma maneira de entender e quantificar os impactos destes transformações é olhar para a cobertura e as mudanças de uso do solo. Nas últimas décadas, imagens de satélite sensores orbitais tornaram-se a maneira mais consistente de faze-lo. Atualmente, o planeta é continuamente monitorado e várias bases de dados de imagens estão abertas à comunidade científica. Para armazenar, distribuição e processar essas imagens, a principal escolha é o uso de computação em nuvem. Esse enorme volume de dados trouxe um desafio computacional: como projetar e construir tecnologias que permitam à comunidade de observação da Terra analisar grandes conjuntos de dados? Esta tese contribui para resolver esse desafio científico ao propor um pacote R de código aberto chamado sits . O software usa séries temporais de imagens de satélite e métodos de aprendizagem de máquinas para produzir a classificação de uso e cobertura da Terra em uma abordagem time-first, space-later. Nossa hipótese é a de que usar séries temporais juntamente com métodos avançados de aprendizagem de máquina é uma abordagem robusta para a classificação do uso e cobertura da terra. Mostramos no trabalho que esta abordagem produz mapas de uso e cobertura da Terra com boa precisão através de dois estudos de caso. O primeiro foi realizado no estado do Mato Grosso, Brasil, para o período 2001-2017. O segundo no bioma brasileiro do Cerrado para o ano de 2018. Nessas áreas de estudo estão localizas algumas das fronteiras agrícolas mais dinâmicas do mundo. Além disso, apresentamos o pacote rstac desenvolvido e integrado no sits que nos permitiu conectar a diferentes repositórios de imagens na nuvem.
ÁreaCOMP
Arranjo 1urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Land use and...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGIP > Land use and...
Conteúdo da Pasta docacessar
Conteúdo da Pasta source
originais/@4primeirasPaginas.pdf 28/09/2021 14:20 412.4 KiB 
originais/DEFESA FINAL DE TESE DE ROLF EZEQUIEL DE OLIVEIRA SIMÕES - CAP.pdf 28/07/2021 11:34 60.8 KiB 
originais/Thesis_Rolf_Simoes_INPE_v4.pdf 03/08/2021 15:17 2.0 MiB
Conteúdo da Pasta agreement
autorizacao.pdf 28/09/2021 14:39 323.9 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34R/44KLMUS
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34R/44KLMUS
Idiomaen
Arquivo Alvopublicacao.pdf
Grupo de Usuáriospubtc@inpe.br
rolf.simoes@inpe.br
simone
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.10
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2017/11.22.19.04.03
Unidades Imediatamente Superiores8JMKD3MGPCW/3F2PHGS
8JMKD3MGPCW/46KUES5
Lista de Itens Citandosid.inpe.br/bibdigital/2013/10.12.22.16 2
sid.inpe.br/bibdigital/2022/04.03.23.11 1
Acervo Hospedeirourlib.net/www/2017/11.22.19.04
6. Notas
Campos Vaziosacademicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemarte2.sid.inpe.br
Identificador8JMKD3MGP6W34M/495CN8L
Repositóriosid.inpe.br/marte2/2023/05.17.11.54
Última Atualização2023:05.17.11.54.20 (UTC) administrator
Repositório de Metadadossid.inpe.br/marte2/2023/05.17.11.54.20
Última Atualização dos Metadados2024:01.08.18.15.36 (UTC) administrator
ISBN978-65-89159-04-9
Chave de CitaçãoPachecoKuxCors:2023:TeAnUr
TítuloTemporal analysis of the urban sprawl in Guarujá using machine learning and satellite images
FormatoInternet
Ano2023
Data de Acesso16 maio 2024
Tipo SecundárioPRE CN
Número de Arquivos2
Tamanho639 KiB
2. Contextualização
Autor1 Pacheco, Téhrrie Caroline Konig Ferraz
2 Kux, Hermann Johann Heinrich
3 Corsi, Alessandra C.
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHCD
Grupo1 SER-SRE-DIPGR-INPE-MCTI-GOV-BR
2 DIOTG-CGCT-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto de Pesquisas Tecnológicas (IPT)
Endereço de e-Mail do Autor1 tehrrie.pacheco@inpe.br
2 hermann.kux@inpe.br
3 accorsi@ipt.br
EditorGherardi, Douglas Francisco Marcolino
Aragão, Luiz Eduardo Oliveira e Cruz de
Sanches, Ieda DelArco
Nome do EventoSimpósio Brasileiro de Sensoriamento Remoto, 20 (SBSR)
Localização do EventoFlorianópolis
Data02-05 abril 2023
Editora (Publisher)Instituto Nacional de Pesquisas Espaciais (INPE)
Cidade da EditoraSão José dos Campos
Páginase155640
Título do LivroAnais
Tipo Terciáriofull paper
OrganizaçãoInstituto Nacional de Pesquisas Espaciais (INPE)
Histórico (UTC)2023-05-17 11:54:59 :: simone -> administrator :: 2023
2024-01-08 18:15:36 :: administrator -> simone :: 2023
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-ChaveUrban sprawl
Data Mining
Machine learning
Landsat
ResumoSatellite images and remote sensing techniques allow several studies, including the identification and characterization of land use and occupation and urban sprawl. Urban sprawl is usually associated with environmental degradation, and an increase in disasters has been observed. Therefore, this study analyzes the urban sprawl of Guarujá municipality using remote sensing techniques, machine learning, and Data Mining. The NDVI was performed to enhance the identification of the vegetation. A temporal analysis from 1990 to 2020 was performed, using satellite images from the Landsat series. The results indicate an increase in the urban area, and, consequently, a decrease in the vegetation. The CART algorithm correctly distinguished the urban areas, the vegetation, and the water. Moreover, the NDVI provided important information about environmental degradation and loss of biomass.
ÁreaSRE
TipoAnálise de séries temporais de imagens de satélite
Arranjo 1urlib.net > BDMCI > Fonds > SBSR > SBSR 20 > Temporal analysis of...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > SBSR 20 > Temporal analysis of...
Arranjo 3Projeto Memória 60... > Livros e livros editados > SBSR 20 > Temporal analysis of...
Arranjo 4urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Temporal analysis of...
Arranjo 5urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Temporal analysis of...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP6W34M/495CN8L
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP6W34M/495CN8L
Idiomaen
Arquivo Alvo155640.pdf
Grupo de Usuáriossimone
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.19
Detentor dos Direitosoriginalauthor yes
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2011/03.29.20.55
Unidades Imediatamente Superiores8JMKD3MGP6W34M/495J572
8JMKD3MGPCW/3F3NU5S
8JMKD3MGPCW/46KUATE
Lista de Itens Citandosid.inpe.br/marte2/2023/05.18.17.15 4
sid.inpe.br/bibdigital/2013/10.18.22.34 2
sid.inpe.br/mtc-m21/2012/07.13.14.49.50 1
Acervo Hospedeirodpi.inpe.br/marte2/2013/05.17.15.03.06
6. Notas
Campos Vaziosarchivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination documentstage doi e-mailaddress edition holdercode issn label lineage mark nextedition notes numberofvolumes orcid parameterlist parentrepositories previousedition previouslowerunit progress project readergroup readpermission schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject tertiarymark url versiontype volume
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaTese ou Dissertação (Thesis)
Sitemtc-m21d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34T/47LSQK2
Repositóriosid.inpe.br/mtc-m21d/2022/09.22.19.39
Última Atualização2022:12.21.13.07.30 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21d/2022/09.22.19.39.28
Última Atualização dos Metadados2022:12.31.09.23.34 (UTC) administrator
Chave SecundáriaINPE-18637-TDI/3272
Chave de CitaçãoSilvaJr:2022:HyMaLe
TítuloA hybrid machine learning process for anomalous behavior detection on satellite telemetry data
Título AlternativoUm processo de aprendizado de máquina hibrido para a para detecção de comportamentos anômalos em telemetria de satélites
CursoCSE-ETES-DIPGR-INPE-MCTI-GOV-BR
Ano2022
Data2022-10-04
Data de Acesso16 maio 2024
Tipo da TeseDissertação (Mestrado em Engenharia e Gerenciamento de Sistemas Espaciais)
Tipo SecundárioTDI
Número de Páginas113
Número de Arquivos1
Tamanho6220 KiB
2. Contextualização
AutorSilva Junior, Marcio Waldir
BancaFerreira, Maurício Gonçalves Vieira (presidente)
Santos, Walter Abrahão dos (orientador)
Ambrósio, Ana Maria
Vörös, András
Endereço de e-Mailmarciowaldir.sjr@gmail.com
UniversidadeInstituto Nacional de Pesquisas Espaciais (INPE)
CidadeSão José dos Campos
Histórico (UTC)2022-09-22 19:39:28 :: marciowaldir.sjr@gmail.com -> pubtc@inpe.br ::
2022-09-23 17:36:34 :: pubtc@inpe.br -> marciowaldir.sjr@gmail.com ::
2022-11-25 09:02:00 :: marciowaldir.sjr@gmail.com -> administrator ::
2022-11-25 16:19:16 :: administrator -> pubtc@inpe.br ::
2022-11-25 16:20:13 :: pubtc@inpe.br -> administrator ::
2022-12-21 12:19:42 :: administrator -> pubtc@inpe.br ::
2022-12-22 18:08:10 :: pubtc@inpe.br -> simone ::
2022-12-22 18:09:06 :: simone :: -> 2022
2022-12-22 18:09:29 :: simone -> administrator :: 2022
2022-12-31 09:23:34 :: administrator -> :: 2022
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-Chavemachine learning
satellite
KPCA
DBSCAN
anomalous behavior
aprendizado de máquina
satélites
comportamento anômalo
ResumoIn space missions, telemetry data is a key source towards systems health monitoring, and the lack of this may compromise the mission. Concerning the great number of functional service telemetries, there are some difficulties regarding the telemetry analysis. Some satellites have hundreds, even thousands of telemetry signals, and to an operator analyzing that to infer something about a system is quite laborious. In this scenario, it can be difficult to perform in advance the detection, diagnosis, and prevention of anomalies and failures, decreasing the reliability and availability of space systems. Thus, shortening the system life and service continuity. This research proposes a data-driven approach, composed of a hybrid Machine Learning process for automatically detecting anomalous behavior on satellites via telemetry data. Such approach aims to provide support in the satellites operations when comes to telemetry data analysis. Through statistics, data science processes, and Machine Learning algorithms, the proposed process was capable of identify original anomalies and injected failures in the behavior of the Power Supply subsystem of the CBERS1 satellite. RESUMO: Em missões espaciais, os dados de telemetria são uma fonte fundamental para o monitoramento da integridade dos sistemas, e a falta dela pode comprometer a missão. Com relação ao grande número das telemetrias de serviço funcionais, existem algumas dificuldades em relação à análise da telemetria. Alguns satélites têm centenas, até milhares de telemetrias, e para um operador analisar isso para inferir algo sobre o sistema tende a ser bastante trabalhoso. Nesse cenário, pode ser difícil realizar antecipadamente a detecção, diagnóstico e prevenção de anomalias e falhas, diminuindo a confiabilidade e disponibilidade dos sistemas espaciais. Assim, encurtando a vida útil do sistema e a continuidade do serviço. Este estudo propõe uma abordagem orientada a dados, composta por um processo híbrido de Aprendizado de Máquina para detectar comportamentos anômalos em satélites por meio de dados de telemetria. Tal abordagem tem como por objetivo fornecer suporte nas operações de satélites quando se trata de análise de dados de telemetria. Por meio de estatísticas, processos de ciência de dados e algoritmos de Machine Learning, o processo proposto foi capaz de identificar anomalias originais e falhas injetadas no comportamento do Subsistema de Power Supply do satélite CBERS1.
ÁreaETES
Arranjo 1urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CSE > A hybrid machine...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCE > A hybrid machine...
Conteúdo da Pasta docacessar
Conteúdo da Pasta source
originais/@4primeirasPaginas.pdf 21/12/2022 09:29 213.8 KiB 
originais/Defesa.pdf 28/11/2022 07:37 120.6 KiB 
originais/Dissertacao_MWSJR_Rev_Final.pdf 28/11/2022 15:55 5.8 MiB
Conteúdo da Pasta agreement
autorizacao.pdf 21/12/2022 10:07 265.2 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34T/47LSQK2
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34T/47LSQK2
Idiomaen
Arquivo Alvopublicacao.pdf
Grupo de Usuáriosmarciowaldir.sjr@gmail.com
pubtc@inpe.br
simone
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.10
Detentor dos Direitosoriginalauthor yes
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2021/06.04.03.40.25
Unidades Imediatamente Superiores8JMKD3MGPCW/3F35BSP
8JMKD3MGPCW/46KTFK8
Lista de Itens Citandosid.inpe.br/bibdigital/2013/10.14.22.20 2
Acervo Hospedeirourlib.net/www/2021/06.04.03.40
6. Notas
Campos Vaziosacademicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Siteplutao.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W/474NU65
Repositóriosid.inpe.br/plutao/2022/06.15.12.32
Repositório de Metadadossid.inpe.br/plutao/2022/06.15.12.32.01
Última Atualização dos Metadados2023:01.03.16.52.55 (UTC) administrator
Rótulolattes: 7340081273816424 3 AljbaaeMuPrViCaCa:2022:UsMaLe
Chave de CitaçãoAljbaaeMuPrMoCaCa:2022:UsMaLe
TítuloUsing Machine Learning to Predict the Influence of Drag in Satellites
FormatoDVD
Ano2022
Data de Acesso16 maio 2024
Tipo SecundárioPRE CI
2. Contextualização
Autor1 Aljbaae, Safwan
2 Murcia Piñeros, Jhonathan Orlando
3 Prado, Antonio Fernando Bertachini de Almeida
4 Moraes, R. Vilhena de
5 Carruba, V.
6 Carita, Gabriel
Identificador de Curriculo1
2
3 8JMKD3MGP5W/3C9JGJA
Grupo1 CMC-ETES-DIPGR-INPE-MCTI-GOV-BR
2 DIEEC-CGCE-INPE-MCTI-GOV-BR
3 DIMEC-CGCE-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 safwan.aljbaae@gmail.com
2 jhonathan.pineros@inpe.br
3 antonio.prado@inpe.br
Nome do EventoIAA Conference on Space Situational Awareness, 3
Localização do EventoMadri
Data2022
Volume1
Páginas1-7
Título do LivroProceedings
Tipo TerciárioPaper
Histórico (UTC)2022-06-20 11:53:50 :: lattes -> administrator :: 2022
2023-01-03 16:52:55 :: administrator -> simone :: 2022
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Palavras-ChaveAstrodinâmica
Astrodynamics
ÁreaETES
Arranjo 1urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CMC > Using Machine Learning...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCE > Using Machine Learning...
Conteúdo da Pasta docnão têm arquivos
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
Idiomaen
Grupo de Usuárioslattes
Grupo de Leitoresadministrator
lattes
Visibilidadeshown
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3F2UALS
8JMKD3MGPCW/46KTFK8
Acervo Hospedeirodpi.inpe.br/plutao@80/2008/08.19.15.01
6. Notas
Campos Vaziosabstract archivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition editor isbn issn lineage mark mirrorrepository nextedition notes numberoffiles numberofvolumes orcid organization parameterlist parentrepositories previousedition previouslowerunit progress project publisher publisheraddress readpermission rightsholder schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle size sponsor subject targetfile tertiarymark type url versiontype
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Revista Científica (Journal Article)
Sitemtc-m21d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34T/466DESP
Repositóriosid.inpe.br/mtc-m21d/2022/01.10.14.05
Última Atualização2022:01.10.14.05.27 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21d/2022/01.10.14.05.27
Última Atualização dos Metadados2023:01.03.16.46.00 (UTC) administrator
DOI10.3390/rs14010209
ISSN2072-4292
Chave de CitaçãoMatosakFoTaMaBeAd:2022:MaDeCe
TítuloMapping Deforestation in Cerrado Based on Hybrid Deep Learning Architecture and Medium Spatial Resolution Satellite Time Series
Ano2022
MêsJan.
Data de Acesso16 maio 2024
Tipo de Trabalhojournal article
Tipo SecundárioPRE PI
Número de Arquivos1
Tamanho13686 KiB
2. Contextualização
Autor1 Matosak, Bruno Menini
2 Fonseca, Leila Maria Garcia
3 Taquary, Evandro Carrijo
4 Maretto, Raian Vargas
5 Bendini, Hugo do Nascimento
6 Adami, Marcos
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHLD
ORCID1 0000-0001-7029-3548
2 0000-0001-6057-7387
3
4 0000-0002-4983-2700
5 0000-0003-4435-7610
6 0000-0003-4247-4477
Grupo1 SER-SRE-DIPGR-INPE-MCTI-GOV-BR
2 DIOTG-CGCT-INPE-MCTI-GOV-BR
3 SER-SRE-DIPGR-INPE-MCTI-GOV-BR
4
5 DIOTG-CGCT-INPE-MCTI-GOV-BR
6 COEAM-CGGO-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 Instituto Nacional de Pesquisas Espaciais (INPE)
4 University of Twente
5 Instituto Nacional de Pesquisas Espaciais (INPE)
6 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 bruno.matosak@inpe.br
2 leila.fonseca@inpe.br
3 evandro.taquary@inpe.br
4 r.v.maretto@utwente.nl
5 hugo.bendini@inpe.br
6 marcos.adami@inpe.br
RevistaRemote Sensing
Volume14
Número1
Páginase209
Nota SecundáriaB3_GEOGRAFIA B3_ENGENHARIAS_I B4_GEOCIÊNCIAS B4_CIÊNCIAS_AMBIENTAIS B5_CIÊNCIAS_AGRÁRIAS_I
Histórico (UTC)2022-01-10 14:05:27 :: simone -> administrator ::
2022-01-10 14:05:27 :: administrator -> simone :: 2022
2022-01-10 14:05:50 :: simone -> administrator :: 2022
2023-01-03 16:46:00 :: administrator -> simone :: 2022
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveBrazilian savanna
Cerrado
Deforestation
Landsat
LSTM
Sentinel
Time series
U-Net
ResumoCerrado is the second largest biome in Brazil, covering about 2 million km2. This biome has experienced land use and land cover changes at high rates due to agricultural expansion so that more than 50% of its natural vegetation has already been removed. Therefore, it is crucial to provide technology capable of controlling and monitoring the Cerrado vegetation suppression in order to undertake the environmental conservation policies. Within this context, this work aims to develop a new methodology to detect deforestation in Cerrado through the combination of two Deep Learning (DL) architectures, Long Short-Term Memory (LSTM) and U-Net, and using Landsat and Sentinel image time series. In our proposed method, the LSTM evaluates the time series in relation to the time axis to create a deforestation probability map, which is spatially analyzed by the U-Net algorithm alongside the terrain slope to produce final deforestation maps. The method was applied in two different study areas, which better represent the main deforestation patterns present in Cerrado. The resultant deforestation maps based on cost-free Sentinel-2 images achieved high accuracy metrics, peaking at an overall accuracy of 99.81% ± 0.21 and F1-Score of 0.8795 ± 0.1180. In addition, the proposed method showed strong potential to automate the PRODES project, which provides the official Cerrado yearly deforestation maps based on visual interpretatio.
ÁreaSRE
Arranjo 1urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Mapping Deforestation in...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Mapping Deforestation in...
Arranjo 3urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGGO > Mapping Deforestation in...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 10/01/2022 11:05 1.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34T/466DESP
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34T/466DESP
Idiomaen
Arquivo Alvoremotesensing-14-00209-v2.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Política de Arquivamentoallowpublisher allowfinaldraft
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3F3NU5S
8JMKD3MGPCW/46KUATE
8JMKD3MGPCW/46KUBT5
Lista de Itens Citandosid.inpe.br/bibdigital/2013/10.18.22.34 6
sid.inpe.br/bibdigital/2022/04.03.22.35 6
sid.inpe.br/bibdigital/2022/04.03.22.23 4
DivulgaçãoWEBSCI; PORTALCAPES; MGA; COMPENDEX; SCOPUS.
Acervo Hospedeirourlib.net/www/2021/06.04.03.40
6. Notas
Campos Vaziosalternatejournal archivist callnumber copyholder copyright creatorhistory descriptionlevel e-mailaddress format isbn label lineage mark mirrorrepository nextedition notes parameterlist parentrepositories previousedition previouslowerunit progress project readpermission rightsholder schedulinginformation secondarydate secondarykey session shorttitle sponsor subject tertiarymark tertiarytype url
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaFilme ou Vídeo (Film or Broadcast)
Sitemtc-m16d.sid.inpe.br
Identificador8JMKD3MGPDW34R/45RKDAE
Repositóriosid.inpe.br/mtc-m16d/2021/11.23.17.35
Última Atualização2021:11.23.17.35.04 (UTC) administrator
Repositório de Metadadossid.inpe.br/mtc-m16d/2021/11.23.17.35.04
Última Atualização dos Metadados2022:09.11.01.10.15 (UTC) administrator
ISSN2177-3114
Chave de CitaçãoSilvaJúniorDosS:2021:HyMaLe
TítuloA hybrid machine learning process for anomalous satellite telemetry behaviour detection
FormatoOn-line
Ano de Estréia2021
Data de Estréia6, 7, 13 e 14 nov. 2021
Data de Acesso16 maio 2024
Tipo SecundárioPRE CN INT
Número de Arquivos1
Tamanho31236 KiB
2. Contextualização
Diretor1 Silva Júnior, Márcio Waldir
2 Dos Santos, Walter Abrahão
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JJC2
Grupo1 CSE-ETES-DIPGR-INPE-MCTI-GOV-BR
2 DIPST-CGCE-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 marciowaldir.sjr@outlook.com
2 walter.abrahao@inpe.br
Diretor da SérieRodrigues, Aline Castilho
Rodrigues, Italo Pinto
Santos, Walter Abrahão dos
Mateus, Dairo Antonio Cuellar
Machado, Danilo
Diniz, Gledson Hernandes
Dallamuta, João
Carmo, Thiago Augusto do
Siqueli, Guilherme Afonso
Título da SérieWorkshop em Engenharia e Tecnologia Espaciais, 12 (WETE)
DistribuidorInstituto Nacional de Pesquisas Espaciais (INPE)
CidadeSão José dos Campos
Tipo Terciáriovideo
ElencoInstituto Nacional de Pesquisas Espaciais (INPE)
Histórico (UTC)2021-11-23 17:35:25 :: simone -> administrator :: 2021
2022-09-11 01:10:15 :: administrator -> simone :: 2021
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-ChaveMachine Learning
KPCA
DBSCAN
KNN
Anomalous Behaviour
SinopseIn space missions, telemetry is a key source of systems health, and the lack of this may compromise the mission. Even with functional telemetry, there are some difficulties regarding the telemetry analysis. Some satellites have hundreds, even thousands of telemetries, and analyzing that to infer something about the system tends to be quite laborious. In this scenario, it can be difficult to perform in advance the detection, diagnosis, and prevention of anomalies and failures, decreasing the reliability and availability of space systems. Thus, shortening the system life and service continuity. This study proposes a data-driven approach, composed of a hybrid Machine Learning (ML) process capable of detecting anomalous behaviour on telemetry. Through statistics, data science processes, and ML algorithms, the proposed process was capable of classifying, with more than 90% of accuracy, four different circumstances for the telemetry system, sunlight, eclipse, twilight, and anomalous behaviour.
ÁreaETES
Arranjo 1urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CSE > A hybrid machine...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCE > A hybrid machine...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGPDW34R/45RKDAE
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGPDW34R/45RKDAE
Idiomapt
Arquivo Alvo46 - [Artigo][Inpe] Marcio Waldir Silva Junior-1.mp4
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
italo.rodrigues@inpe.br
simone
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.19
Detentor dos Direitosoriginalauthor yes
Permissão de Leituraallow from all
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2011/03.29.20.55
Unidades Imediatamente Superiores8JMKD3MGPCW/3F35BSP
8JMKD3MGPCW/46KTFK8
Lista de Itens Citandosid.inpe.br/bibdigital/2013/10.14.22.20 1
Acervo Hospedeirosid.inpe.br/mtc-m19@80/2009/08.21.17.02
6. Notas
Campos Vaziosaccessionnumber alternatetitle archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination documentstage doi e-mailaddress edition holdercode isbn label lineage mark medium nextedition notes orcid parameterlist parentrepositories photographer previousedition previouslowerunit producer progress project runningtime schedulinginformation secondarydate secondarykey secondarymark session shorttitle sponsor subject tertiarymark url versiontype
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemtc-m16d.sid.inpe.br
Identificador8JMKD3MGPDW34R/45QLC4P
Repositóriosid.inpe.br/mtc-m16d/2021/11.17.19.11
Última Atualização2021:11.17.19.11.55 (UTC) administrator
Repositório de Metadadossid.inpe.br/mtc-m16d/2021/11.17.19.11.55
Última Atualização dos Metadados2022:04.03.19.25.44 (UTC) administrator
ISSN2177-3114
Chave de CitaçãoSilvaJúniorDosS:2021:HyMaLe
TítuloA hybrid machine learning process for anomalous satellite telemetry behaviour detection
FormatoOn-line.
Ano2021
Data de Acesso16 maio 2024
Tipo SecundárioPRE CN INT
Número de Arquivos1
Tamanho1330 KiB
2. Contextualização
Autor1 Silva Júnior, Márcio Waldir
2 Dos Santos, Walter Abrahão
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JJC2
Grupo1 CSE-ETES-DIPGR-INPE-MCTI-GOV-BR
2 DIPST-CGCE-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
Endereço de e-Mail do Autor1 marciowaldir.sjr@outlook.com
2 walter.abrahao@inpe.br
EditorRodrigues, Aline Castilho
Rodrigues, Italo Pinto
Santos, Walter Abrahão dos
Mateus, Dairo Antonio Cuellar
Machado, Danilo
Diniz, Gledson Hernandes
Dallamuta, João
Carmo, Thiago Augusto do
Siqueli, Guilherme Afonso
Nome do EventoWorkshop em Engenharia e Tecnologia Espaciais, 12 (WETE)
Localização do EventoSão José dos Campos
Data6, 7, 13 e 14 nov. 2021
Editora (Publisher)Instituto Nacional de Pesquisas Espaciais (INPE)
Cidade da EditoraSão José dos Campos
Tipo Terciáriofull paper
OrganizaçãoInstituto Nacional de Pesquisas Espaciais (INPE)
Histórico (UTC)2021-11-17 19:12:21 :: simone -> administrator :: 2021
2022-04-03 19:25:44 :: administrator -> simone :: 2021
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-ChaveMachine Learning
KPCA
DBSCAN
KNN
Anomalous Behaviour
ResumoIn space missions, telemetry is a key source of systems health, and the lack of this may compromise the mission. Even with functional telemetry, there are some difficulties regarding the telemetry analysis. Some satellites have hundreds, even thousands of telemetries, and analyzing that to infer something about the system tends to be quite laborious. In this scenario, it can be difficult to perform in advance the detection, diagnosis, and prevention of anomalies and failures, decreasing the reliability and availability of space systems. Thus, shortening the system life and service continuity. This study proposes a data-driven approach, composed of a hybrid Machine Learning (ML) process capable of detecting anomalous behaviour on telemetry. Through statistics, data science processes, and ML algorithms, the proposed process was capable of classifying, with more than 90% of accuracy, four different circumstances for the telemetry system, sunlight, eclipse, twilight, and anomalous behaviour.
ÁreaETES
TipoCSE
Arranjo 1urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CSE > A hybrid machine...
Arranjo 2urlib.net > Produção a partir de 2021 > CGCE > A hybrid machine...
Arranjo 3A hybrid machine...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreementnão têm arquivos
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGPDW34R/45QLC4P
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGPDW34R/45QLC4P
Idiomapt
Arquivo Alvo46 - [ARTIGO][INPE] MARCIO WALDIR SILVA JUNIOR.pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
italo.rodrigues@inpe.br
simone
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.19
Detentor dos Direitosoriginalauthor yes
Permissão de Leituraallow from all
5. Fontes relacionadas
Unidades Imediatamente Superiores8JMKD3MGPCW/3F35BSP
8JMKD3MGPCW/46KTFK8
8JMKD3MGPDW34P/4627RDH
Lista de Itens Citandosid.inpe.br/bibdigital/2013/10.14.22.20 2
sid.inpe.br/mtc-m21/2012/07.13.15.01.48 2
sid.inpe.br/bibdigital/2022/04.03.17.52 2
Acervo Hospedeirosid.inpe.br/mtc-m19@80/2009/08.21.17.02
6. Notas
Campos Vaziosarchivingpolicy archivist booktitle callnumber contenttype copyholder creatorhistory descriptionlevel dissemination documentstage doi e-mailaddress edition holdercode isbn label lineage mark mirrorrepository nextedition notes numberofvolumes orcid pages parameterlist parentrepositories previousedition previouslowerunit progress project schedulinginformation secondarydate secondarykey secondarymark serieseditor session shorttitle sponsor subject tertiarymark url versiontype volume
7. Controle da descrição
e-Mail (login)simone
atualizar 

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemtc-m21d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34T/4APJ7L8
Repositóriosid.inpe.br/mtc-m21d/2024/02.19.12.46
Repositório de Metadadossid.inpe.br/mtc-m21d/2024/02.19.12.46.21
Última Atualização dos Metadados2024:02.28.10.36.28 (UTC) administrator
Chave SecundáriaINPE--PRE/
Chave de CitaçãoPahlevanAWSOSKMZ:2024:MaLeCe
TítuloA machine learning centered atmospheric correction model for multi and hyperspectral satellite observations
Ano2024
Data de Acesso16 maio 2024
Tipo SecundárioPRE CI
2. Contextualização
Autor1 Pahlevan, Nima
2 Ashapure, Akash
3 Wainwright, William
4 Smith, Brandon
5 O'Shea, Ryan E.
6 Saranathan, Arun
7 Kabir, Sakib
8 Maciel, Daniel Andrade
9 Zhai, Pengwang
Grupo1
2
3
4
5
6
7
8 DIOTG-CGCT-INPE-MCTI-GOV-BR
Afiliação1 Science Systems and Applications
2 Science Systems and Applications
3 Science Systems and Applications
4 Science Systems and Applications
5 Science Systems and Applications
6 University of Massachusetts Amherst
7 Science Systems and Applications
8 Instituto Nacional de Pesquisas Espaciais (INPE)
9 University of Maryland Baltimore County
Endereço de e-Mail do Autor1
2
3
4
5
6
7
8 daniel.maciel@inpe.br
Nome do EventoOcean Sciences Meeting
Localização do EventoNew Orleans
Data18-23 Feb. 2024
Editora (Publisher)AGU
Título do LivroProceedings
Tipo TerciárioPoster Session
Histórico (UTC)2024-02-19 12:46:21 :: simone -> administrator ::
2024-02-28 10:36:28 :: administrator -> simone :: 2024
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
ResumoA primary challenge in aquatic remote sensing is the development of a robust atmospheric correction (AC) method to estimate remote sensing reflectance (Rrs) products, defined as the ratio of water-leaving radiance to downwelling irradiance just above the water. Our AC method, based on a machine learning model referred to as Mixture Density Networks (MDNs), has been implemented and widely tested with 2000+ co-located Rrs matchups of Landsat-8/-9 (Operational Land Imager; OLI) and Sentinel-2 (Multispectral Instrument; MSI) images over inland and nearshore coastal waters. Here, we describe an extension of this approach to the hyperspectral domain by generating products for the Hyperspectral Imager for the Coastal Ocean (HICO). Our processing system, termed Aquaverse, begins by leveraging a coupled ocean-atmosphere radiative transfer model to simulate Rayleigh-corrected reflectance ( ) for various imaging geometries and atmospheric conditions void of absorbing gases and Rayleigh effects, via in situ hyperspectral Rrs measurements. The in situ Rrs and simulated spectra are then resampled with HICO spectral response functions and subsequently used to train an ensemble of MDNs to retrieve Rrs from . Our trained ensemble is then applied to Rayleigh-corrected HICO imagery, which is validated with available in situ data in select lakes and coastal estuaries across the U.S. The performance of our models trained with hyperspectral data is expected to match that of Landsats OLI and Sentinel-2s MSI with median uncertainties ranging from ~ 16% (green bands) to ~ 35% (blue bands), indicating major improvements (i.e., ~2x in the blue bands) with respect to the performance of existing AC models for inland and coastal waters. Aquaverse-generated maps (Rrs and downstream products like chlorophyll-a, total suspended solids, and the absorption by colored dissolved organic matter) for several HICO images will be demonstrated and compared with those produced via other processors. Validation uncertainties of Aquaverse in fresh and coastal waters on HICO imagery will serve as a proxy for future global space-borne spectrometers.
ÁreaSRE
Arranjo 1urlib.net > BDMCI > Fonds > LabISA > A machine learning...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > A machine learning...
Conteúdo da Pasta docnão têm arquivos
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 19/02/2024 09:46 1.0 KiB 
4. Condições de acesso e uso
Grupo de Usuáriossimone
Visibilidadeshown
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2021/06.04.03.40.25
Unidades Imediatamente Superiores8JMKD3MGPCW/439EAFB
8JMKD3MGPCW/46KUATE
Acervo Hospedeirourlib.net/www/2021/06.04.03.40
6. Notas
Campos Vaziosarchivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination doi e-mailaddress edition editor format isbn issn keywords label language lineage mark nextedition notes numberoffiles numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisheraddress readergroup readpermission resumeid rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle size sponsor subject targetfile tertiarymark type url versiontype volume
7. Controle da descrição
e-Mail (login)simone
atualizar