Resumen

La investigación con datos procedentes de plataformas remotas de observación de la Tierra se enfrenta a menudo a un problema sencillo pero especialmente espinoso: se dispone de enormes cantidades de datos, cada vez más abundantes, para apoyar la investigación, pero la agilidad de los científicos a la hora de convertir los datos en información procesable a menudo tiene dificultades para seguir el ritmo de los flujos de datos que llegan rápidamente y se acumulan en silos de archivo cada vez más grandes. La abstracción de esos datos es una respuesta conveniente, y muchos estudios basados exclusivamente en datos de teledetección se limitan necesariamente a una pequeña zona de estudio con relativamente pocas escenas de imágenes, o se basan en mosaicos más grandes de imágenes de baja resolución. En consecuencia, a menudo resulta difícil enhebrar explicaciones a escalas que van de lo local a lo global, aunque hacerlo sea a menudo fundamental para la ciencia que se persigue. Aquí se propone una solución, explotando Apache Spark, para implementar un procesamiento de imágenes paralelo y en memoria con capacidad para clasificar rápidamente grandes volúmenes de imágenes de teledetección multiescala y realizar los análisis necesarios para detectar cambios en las series temporales. Muestra que el procesamiento de tres escalas diferentes de datos Landsat 8 (hasta ~107,4 GB, cinco escenas, conjuntos de imágenes de series temporales) se puede realizar en 1018 segundos en un entorno de nube local. Aplicando el mismo marco con ligeros ajustes de parámetros, procesó datos MODIS de la misma cobertura en 54 segundos en una plataforma de nube comercial. Teóricamente, el esquema propuesto puede manejar todas las formas de imágenes de teledetección de uso común en las ciencias de la Tierra y el medio ambiente, requiriendo sólo pequeños ajustes en la parametrización de los trabajos de computación para ajustarse a los datos. Los autores sugieren que el enfoque "Spark sensing" podría proporcionar la flexibilidad, extensibilidad y accesibilidad necesarias para mantener la investigación en las ciencias de la Tierra y el medio ambiente al ritmo de los avances en el suministro de datos.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:datos, ciencias medioambientales, datos modis de la misma cobertura, conjuntos de imágenes de series temporales, plataforma comercial en la nube, entorno local en la nube, procesamiento de imágenes en memoria, sólo pequeños ajustes, ligeros ajustes de parámetros, pequeña área de estudio
• Keywords:data, environmental sciences, same coverage modis data, time series image sets, commercial cloud platform, local cloud environment, memory image processing, only minor adjustments, slight parameter adjustments, small study area