Uma Plataforma Flexível de Computação de Alto Desempenho para Soluções de Problemas de Sensoriamento Remoto
Resumo
O aumento da capacidade de imageamento da superfície terrestre, por meio de satélites governamentais e privados , está produzindo um volume de dados sem precedentes para a área de sensoriamento remoto. Com resoluções espaciais e temporais cada vez melhores, a transformação destes dados em informações cientificamente relevantes demanda plataformas de computação de alto desempenho. O objetivo deste trabalho é apresentar uma infraestrutura computacional que viabilize a prática da Computação de Alto Desempenho para acelerar a solução de problemas de sensoriamento remoto. Para tanto, uma plataforma flexível de computação paralela e distribuída está sendo implementada e testada na resolução de problemas desta área. No presente trabalho, apresentamos os resultados e viabilidade da plataforma executando o algoritmo BFAST, utilizado para detecção de mudanças em análises de séries temporais. Os resultados mostraram que a plataforma é promissora, e pode otimizar a solução de problemas da área de sensoriamento remoto a baixo custo e pouco esforço de programação.
Referências
HOUBORG, R.; MCCABE, M. F. A. Cubesat enabled Spatio-Temporal Enhancement Method (CESTEM) utilizing Planet, Landsat and MODIS data. Remote Sensing of Environment, v. 209, p. 211-226, 2018.
HANSEN, M. C.; LOVELAND, T. R. A review of large area monitoring of land cover change using Landsat data. Remote sensing of Environment,v. 122, p. 66-74, 2012.
GORELICK, N.; HANCHER, M.; DIXON, M.; ILYUSHCHENKO, S.; THAU, D.; MOORE, R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, v. 202, p. 18-27, 2017.
Ma, Y.; Wu, H.; Wang, L.; Huang, B.; Ranjan, R.; Zomaya, A.; Jie, W. Remote sensing big data computing: challenges and opportunities. Future Generation Computer Systems,v. 51, p. 47-60, 2015.
VERBESSELT, J., HYNDMAN, R., NEWNHAM, G., CULVENOR, D. Detecting trend and seasonal changes in satellite image time series. Remote sensing of Environment, v. 114, n. 1, p. 106-115, 2010.
FRIEDL, M. A.; SULLA-MENASHE, D.; TAN, B.; SCHNEIDER, A.; RAMANKUTTY, N.; SIBLEY, A.; HUANG, X. MODIS Collection 5 global land cover: Algorithm refinements and characterization of new datasets. Remote sensing of Environment, v. 114, n. 1, p. 168-182, 2010.
DAVIES, A., & ORSARIA, A. Scale out with GlusterFS. Linux Journal, v. 2013, n. 235, p. 1, 2013.
TESTING OF SEVERAL DISTRIBUTED FILESYSTEMS ( HDFS , CEPH AND GLUSTERFS ) FOR SUPPORTING THE HEP EXPERIMENTS ANALYSIS. SEMANTICSCHOLAR. Disponível em:
RED HAT GLUSTER STORAGE TECHNICAL PRESENTATION. Red Hat. Disponível Em:
HERLIHY, M., & SHAVIT, N. The art of multiprocessor programming. Morgan Kaufmann, 2011.
YOO, A. B., JETTE, M. A., GRONDONA, M. Slurm: Simple linux utility for resource management. In: Workshop on Job Scheduling Strategies for Parallel Processing. Springer, Berlin, Heidelberg, 2003. p. 44-60.