O Artigo Quality control and class noise reduction of satellite image time series  (tradução: Controle de qualidade e redução de ruído de classe de séries temporais de imagens de satélite) foi publicado no periódico ISPRS Journal of Photogrammetry and Remote Sensing pela equipe do Projeto Brazil Data Cube (BDC). A principal autora Lorena Santos é doutora pela PGCAP, e o artigo foi resultante de seu doutorado, sendo publicado juntamente com seus orientadores da DIOTG: Karine Ferreira e Gilberto Câmara, além de outros pesquisadores do Projeto BDC: Michelle Picoli e Rolf Simões. O Artigo mostra a importância do uso de amostras de boa qualidade quando técnicas de aprendizado de máquina são aplicadas. É também proposto um método que utiliza mapas auto-organizáveis e inferência bayesiana para reduzir ruídos de classe através de séries temporais de imagens de satélite.

O artigo está disponível em: https://www.sciencedirect.com/science/article/pii/S0924271621001155

Segue abaixo o resumo apresentado pelos autores:
A extensa quantidade de imagens de satélite de observação da Terra disponíveis trazem oportunidades e desafios para o mapeamento terrestre em escalas globais e regionais. Esses grandes conjuntos de dados motivaram o uso da análise de séries temporais de imagens de satélite juntamente com técnicas de aprendizado de máquina para produzir mapas de classes de cobertura e uso da terra. Para ter sucesso, esses métodos precisam de amostras de treinamento de boa qualidade, que são o fator mais importante para determinar a precisão dos resultados. Por esse motivo, as amostras de treinamento precisam de métodos de controle de qualidade do ruído da classe. Neste artigo, propomos um método para avaliar e melhorar a qualidade dos dados de treinamento de séries temporais de imagens de satélite. O método usa mapas auto-organizáveis ​​(SOM) para produzir clusters de séries temporais e inferência bayesiana para avaliar a similaridade intra-cluster e inter-cluster. Amostras consistentes de uma classe farão parte de uma vizinhança de clusters no mapa SOM. Amostras ruidosas aparecerão como outliers no SOM. Usando a inferência bayesiana nas vizinhanças do SOM, podemos inferir quais amostras são ruidosas. Para ilustrar os métodos, apresentamos um estudo de caso em um grande conjunto de treinamento de classes de uso e cobertura do solo no bioma Cerrado, Brasil. Os resultados comprovam que o método é eficiente para reduzir o ruído de classe e avaliar a variação espaço-temporal de amostras de treinamento de séries temporais de imagens de satélite.

Figura 1: Um método para redução de ruído de classe em dados de referência de série temporal de imagens de satélite.

Figura 2: Diferentes padrões na classe Soja-pousio devido ao calendário agrícola em diferentes regiões.