Minicursos

Ministrante
Helvécio Bezerra Leal Neto

Título da Palestra
Rastreamento de Fenômenos Dinâmicos com a Biblioteca pyForTraCC

Resumo da Palestra
O pyForTraCC (Forecast and Tracking the Evolution of Cloud Clusters) é uma biblioteca open-source em Python que aproveita a metodologia do sistema ForTraCC/INPE, trazendo melhorias de desempenho e novas funcionalidades. Seu propósito é identificar e acompanhar a evolução de fenômenos em dados sequenciais, como imagens de satélite, radar e mapas temáticos. No minicurso, vamos explorar os recursos da biblioteca e aplicar suas técnicas de rastreamento em diferentes tipos de dados de sensoriamento remoto. O objetivo é que, ao final, os usuários consigam usar o pyForTraCC em seus próprios projetos, sabendo como configurar a análise e interpretar os resultados para aplicá-los em diversas áreas.

Sobre o Palestrante
Mestre em Computação Aplicada pelo INPE (2021), bacharel em Ciência da Computação Universidade Federal do Oeste do Pará (UFOPA - 2018) e Tecnólogo em Redes de Computadores pelo Instituto Esperança de Ensino Superior (IESPES - 2013). Atualmente é doutorando em Computação Aplicada no INPE.

Ministrante
Dener César Mendes

Título da Palestra
Explainable AI (XAI): Powering your work through transparency

Resumo da Palestra
O minicurso apresenta os conceitos fundamentais da Inteligência Artificial Explicável (XAI), destacando sua importância e aplicabilidade em diferentes áreas. A partir de sua pesquisa de mestrado, o ministrante discute como a XAI pode agregar valor ao desenvolvimento de soluções mais transparentes e confiáveis, especialmente em contextos científicos. Durante a atividade, serão exploradas técnicas de XAI, bem como as mudanças que sua adoção implica nos processos de modelagem e análise. O minicurso também inclui a apresentação de um estudo de caso real: a aplicação de inteligência artificial para a determinação de parâmetros de aglomerados estelares, trabalho desenvolvido na área de astrofísica e apresentado no WorCAP. Ao final, espera-se que os participantes compreendam o papel da XAI na construção de modelos interpretáveis e estejam aptos a aplicar seus conceitos e ferramentas em projetos próprios, em diferentes domínios de pesquisa.

Sobre o Palestrante
Bacharel em engenharia elétrica pelo CEFET - MG e Mestrando em Computação Aplicada pelo INPE.

Ministrante
Pedro Vinícius da Silva Brito

Título da Palestra
Classificação de uso e cobertura da Terra usando séries temporais de imagens de satélite e técnicas de machine learning

Resumo da Palestra
O minicurso tem como objetivo apresentar conceitos e práticas para classificação de uso e cobertura da Terra a partir de séries temporais de imagens de satélite. O curso terá uma parte teórica e outra prática utilizando cubos de dados Sentinel-2 disponibilizados pelo projeto Brazil Data Cube (BDC) (http://brazildatacube.org/) e o pacote SITS na linguagem R (https://e-sensing.github.io/sitsbook/). No BDC, as imagens de satélite são organizadas em cubos de dados de observação da Terra, o que possibilita a extração de séries temporais e a aplicação de técnicas de aprendizado de máquina para geração de mapas. Neste minicurso serão abordados: acesso às imagens do BDC, geração de cubos de dados, extração de séries temporais de amostras de campo, controle de qualidade de amostras com Mapas Auto-Organizáveis (SOM), treinamento de classificadores Random Forest (RF) e Temporal Convolutional Neural Network (TempCNN) e avaliação da acurácia de mapas de uso e cobertura da terra. O objetivo final é que os participantes compreendam, de forma prática e estruturada, como produzir mapas de uso e cobertura da Terra a partir de séries temporais extraídas de cubos de dados, podendo aplicar os métodos apresentados em seus próprios projetos.

Sobre o Palestrante
Doutorando em Computação Aplicada pelo Instituto Nacional de Pesquisas Espaciais (INPE), Mestre em Computação Aplicada pelo INPE e Licenciado em Matemática pela Universidade Federal Rural de Pernambuco (UFRPE). Trabalha na integração de dados de satélite para aprimorar mapas de uso e cobertura da Terra, utilizando técnicas de aprendizado de máquina e aprendizado profundo. Faz parte do Laboratório de Inteligência Artificial para Aplicações Aeroespaciais e Ambientais (LIAREA) e da equipe de desenvolvimento dos projetos RESTORE+ e SITS.