A carregar...
Publicação
Unsupervised Spatio-Temporal Analysis of Coastal Upwelling from Sea Surface Temperature Images
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 29.77 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Oceanic dynamics are a hot topic in the scientific literature. When equatorward winds
blow parallel to the coastline, these can form oceanic currents that can consequently
create many phenomena, one of these being coastal upwelling. The automatic analysis,
segmentation, study and understanding of such structures and phenomena is of major
importance in various application areas mainly due to the time-consuming work needed
to manually analyze such data. The segmentation and tracking of the dynamics of such
structures can be performed by the use of a novelty clustering concept introduced in [20]
where dynamic Spatio-Temporal (ST) clusters are studied and identified using consecutive
Sea Surface Temperature (SST) images over a period of time.
The aim of this dissertation was to develop a new algorithm called Core-Shell clustering
algorithm, which is an extension of the previously developed Sequential Self Tuning
Seeded Expanding Cluster (S-STSEC) algorithm, proposed in [56, 59]. This new algorithm
aims at the automatic recognition, definition and ST characterization of coastal
upwelling from SST images. A suitable experimental protocol for SST image preprocessing,
tests and validation of the Core-Shell clustering algorithm through two unsupervised
measures was developed. Collections of images from the years 2007, 2015 and 2019 were
chosen to total 69 SST images.
The segmentations’ results obtained by the S-STSEC algorithm of the various SST
instants were manually evaluated as accurate and of high quality. The two unsupervised
evaluation measures, when applied, were used to evaluate the quality of the Core-Shell
clusters created by the Core-Shell clustering algorithm when compared to the correspondent
SST instants’ segmentations, with mean values higher than 85%. Time series were
extracted and segmented in an unsupervised manner for the computation of upwelling
spans. It was concluded that the results obtained correctly represent the behavior of
coastal upwelling regions and their dynamics.
A dinâmica oceânica é uma temática bastante debatida na literatura científica. Quando surgem ventos que sopram em direção ao equador, paralelos à costa, é possível ocorrer a formação de correntes oceânicas que, por sua vez, podem levar à criação de variados fenómenos, um dos quais o afloramento costeiro. A análise automática, segmentação, estudo e compreensão de tais fenómenos são de grande importância em diversas áreas de aplicação, devido principalmente ao trabalho demorado que é necessário para analisar manualmente esses mesmos dados. A segmentação e rastreio das dinâmicas destas estruturas podem ser realizados através da utilização de um conceito de agrupamento inovador introduzido em [20] onde grupos dinâmicos espaço-temporais são estudados e identificados a partir de imagens de satélite de temperatura da superfície do oceano (imagens SST) consecutivas, ao longo de um determinado período de tempo. O objetivo desta dissertação foi desenvolver um novo algoritmo designado de Core- Shell clustering, sendo este uma extensão de um algoritmo anteriormente desenvolvido, o algoritmo S-STSEC, introduzido em [56, 59]. Este novo algoritmo tem como objetivo o reconhecimento automático, definição e caracterização espaço-temporal do afloramento costeiro a partir de imagens SST. Foi desenvolvido um protocolo experimental adequado, de pré-processamento de imagens SST, de testes e de validação do algoritmo Core-Shell clustering através de duas medidas não supervisionadas. Foram escolhidas coleções de imagens dos anos 2007, 2015 e 2019, perfazendo 69 imagens SST. As segmentações obtidas pelo algoritmo S-STSEC dos variados instantes SST foram manualmente avaliadas como precisas e de grande qualidade. As duas medidas de avaliação não supervisionadas, quando aplicadas, foram usadas para avaliar a qualidade dos Core-Shell clusters obtidos pelo algoritmo Core-Shell clustering em relação às segmentações dos instantes SST obtidas, tendo sido obtidos valores médios superiores a 85%. Foram extraídas séries temporais e identificados de forma não supervisionada períodos de afloramento costeiro. Concluiu-se que os resultados obtidos representam de maneira correta o comportamento de regiões de afloramento costeiro e suas dinâmicas.
A dinâmica oceânica é uma temática bastante debatida na literatura científica. Quando surgem ventos que sopram em direção ao equador, paralelos à costa, é possível ocorrer a formação de correntes oceânicas que, por sua vez, podem levar à criação de variados fenómenos, um dos quais o afloramento costeiro. A análise automática, segmentação, estudo e compreensão de tais fenómenos são de grande importância em diversas áreas de aplicação, devido principalmente ao trabalho demorado que é necessário para analisar manualmente esses mesmos dados. A segmentação e rastreio das dinâmicas destas estruturas podem ser realizados através da utilização de um conceito de agrupamento inovador introduzido em [20] onde grupos dinâmicos espaço-temporais são estudados e identificados a partir de imagens de satélite de temperatura da superfície do oceano (imagens SST) consecutivas, ao longo de um determinado período de tempo. O objetivo desta dissertação foi desenvolver um novo algoritmo designado de Core- Shell clustering, sendo este uma extensão de um algoritmo anteriormente desenvolvido, o algoritmo S-STSEC, introduzido em [56, 59]. Este novo algoritmo tem como objetivo o reconhecimento automático, definição e caracterização espaço-temporal do afloramento costeiro a partir de imagens SST. Foi desenvolvido um protocolo experimental adequado, de pré-processamento de imagens SST, de testes e de validação do algoritmo Core-Shell clustering através de duas medidas não supervisionadas. Foram escolhidas coleções de imagens dos anos 2007, 2015 e 2019, perfazendo 69 imagens SST. As segmentações obtidas pelo algoritmo S-STSEC dos variados instantes SST foram manualmente avaliadas como precisas e de grande qualidade. As duas medidas de avaliação não supervisionadas, quando aplicadas, foram usadas para avaliar a qualidade dos Core-Shell clusters obtidos pelo algoritmo Core-Shell clustering em relação às segmentações dos instantes SST obtidas, tendo sido obtidos valores médios superiores a 85%. Foram extraídas séries temporais e identificados de forma não supervisionada períodos de afloramento costeiro. Concluiu-se que os resultados obtidos representam de maneira correta o comportamento de regiões de afloramento costeiro e suas dinâmicas.
Descrição
Palavras-chave
coastal upwelling spatio-temporal clustering image segmentation validation sea surface temperature images