O serviço da web proposto preenche a lacuna entre as aplicações de sensoriamento remoto e seus requisitos de padrão de acesso a dados por meio de uma representação simples e eficaz para dados de séries temporais.
O objetivo do WTSS é trazer para a comunidade de pesquisa de sensoriamento remoto uma maneira fácil de acessar e consumir dados de imagens de satélite na forma de séries temporais, economizando o tempo do pesquisador ao lidar com um grande volume de dados. Este serviço da web pode ser facilmente integrado em tecnologias de código aberto, como R e aplicativo da web para análise e visualização de dados.
As imagens de sensoriamento remoto são organizadas como coverages, abstração criada para representar um conjunto de dados que pode ser utilizado para a obtenção de uma série temporal para uma dada localização no espaço e intervalo de tempo.
No WTSS, toda Coverage é tratada como um array tridimensional associado ao espaço e tempo do sistema de referência (Figura 1).
O WTSS possui três operações:
A extração das séries temporais é feita através da operação ‘time_series’ do WTSS. Dada uma localização no espaço, o WTSS extrai todos os valores associados a essa localização, em cada um dos instantes de tempo disponíveis na Coverage selecionada, conforme apresentado na Figura 2.
Bibliotecas clientes foram implementadas na linguagem de script Python e R e também foi desenvolvido um plugin para o Sistema de Informação Geográfica QGIS.
Os clientes disponibilizam a operação dos serviços em alto nível. Além disso, os clientes do WTSS apoiam a construção de aplicativos e uso em ambientes de computação interativos, como R Notebook ou Jupyter. Por exemplo, no cliente desenvolvido em Python, denominado wtss.py, foi implementado um método de plot para a classe TimeSeries. Assim, todas as séries temporais extraídas podem ser facilmente visualizadas, conforme apresentado na Figura 3.
O WTSS pode ser usado em uma variedade de aplicações, como por exemplo, na validação e calibração de produtos derivados de observações de satélites e geração e melhoria de mapas de uso e cobertura da terra.
Artigo referência:
Mais informações podem ser encontradas na organização do Brazil Data Cube no GitHub:
Artigo de referência:
Vinhas, L.; Queiroz, G. R.; Ferreira, K. R.; Camara, G. Web Services for Big Earth Observation Data. Revista Brasileira de Cartografia, v. 69, n. 5, 18 maio 2017.