P-TWDTW 2.0 - Uma otimização no uso de recursos computacionais para o processamento paralelo de séries temporais de sensoriamento remoto
Resumo
O processamento de séries temporais de sensoriamento remoto é essencial para realização de análises ambientas relacionadas com o uso e cobertura do solo. O algoritmo TWDTW tem se destacado por ser projetado para processar este tipo de dado. No entanto, o TWDTW depende da computação de uma matriz de programação dinâmica O(n2 ), consumindo muitos recursos computacionais. Diante deste cenário, este trabalho analisa e apresenta uma proposta inicial para otimização de uma versão paralela do algoritmo, denominada P-TWDTW. A versão P-TWDTW 2.0 apresentou desempenho de 21, 1 vezes melhor em relação a versão original.
Palavras-chave:
TWDTW, Processamento Paralelo, Séries Temporais, Sensoriamento Remoto
Referências
Bala, G., Caldeira, K., Wickett, M., Phillips, T., Lobell, D., Delire, C., and Mirin, A. (2007). Combined climate and carbon-cycle effects of large-scale deforestation. Proceedings of the National Academy of Sciences, 104(16):6550–6555.
Bonan, G. B. (2008). Forests and climate change: forcings, feedbacks, and the climate benefits of forests. science, 320(5882):1444–1449.
Foody, G. M. (2002). Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80(1):185–201.
Maus, V., Câmara, G., Cartaxo, R., Sanchez, A., Ramos, F. M., and De Queiroz, G. R. (2016). A time-weighted dynamic time warping method for land-use and land-cover mapping. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(8):3729–3739.
Nepstad, D., McGrath, D., Stickler, C., Alencar, A., Azevedo, A., Swette, B., Bezerra, T., DiGiano, M., Shimada, J., da Motta, R. S., et al. (2014). Slowing amazon deforestation through public policy and interventions in beef and soy supply chains. science, 344(6188):1118–1123.
NVIDIA, C. (2018). Cuda c programming guide, version 9.1. NVIDIA Corp.
Oliveira, S. S. T., do Sacramento Rodrigues, V. J., Ferreira, L. G., and Martins, W. S. (2018). P-twdtw: Parallel processing of time series remote sensing images using manycore architectures. In 2018 Symposium on High Performance Computing Systems (WSCAD), pages 252–258. IEEE.
Bonan, G. B. (2008). Forests and climate change: forcings, feedbacks, and the climate benefits of forests. science, 320(5882):1444–1449.
Foody, G. M. (2002). Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80(1):185–201.
Maus, V., Câmara, G., Cartaxo, R., Sanchez, A., Ramos, F. M., and De Queiroz, G. R. (2016). A time-weighted dynamic time warping method for land-use and land-cover mapping. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(8):3729–3739.
Nepstad, D., McGrath, D., Stickler, C., Alencar, A., Azevedo, A., Swette, B., Bezerra, T., DiGiano, M., Shimada, J., da Motta, R. S., et al. (2014). Slowing amazon deforestation through public policy and interventions in beef and soy supply chains. science, 344(6188):1118–1123.
NVIDIA, C. (2018). Cuda c programming guide, version 9.1. NVIDIA Corp.
Oliveira, S. S. T., do Sacramento Rodrigues, V. J., Ferreira, L. G., and Martins, W. S. (2018). P-twdtw: Parallel processing of time series remote sensing images using manycore architectures. In 2018 Symposium on High Performance Computing Systems (WSCAD), pages 252–258. IEEE.
Publicado
14/09/2020
Como Citar
PAIVA, Roberto Urzeda; OLIVEIRA, Savio S. ; MARTINS, Wellington S..
P-TWDTW 2.0 - Uma otimização no uso de recursos computacionais para o processamento paralelo de séries temporais de sensoriamento remoto. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DO CENTRO-OESTE (ERAD-CO), 3. , 2020, Campo Grande.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 13-16.
DOI: https://doi.org/10.5753/eradco.2020.12646.
