Palestras
PL 01: Desafios e Oportunidades para IA no INPE - Dr Rafael Santos (CAP/INPE)
Resumo: Técnicas de Inteligência Artificial (IA) tem sido usadas para extração de conhecimento a partir de bases de dados como imagens, documentos, sinais etc. há décadas, mas recentes avanços ampliaram bastante o leque de aplicações, em especial as relacionadas às áreas de atuação do Instituto Nacional de Pesquisas Espaciais.
Nesta apresentação veremos um breve histórico do uso de IA em trabalhos do Programa de Pós-Graduação em Computação Aplicada, tendências atuais, desafios e oportunidades para pesquisa e desenvolvimento usando IA para resolver problemas das áreas finalísticas do INPE.
Bio: Rafael Santos é coordenador do Programa de Pós-Graduação em Computação Aplicada do Instituto Nacional de Pesquisas Espaciais.
PL02: The Model for Ocean-laNd-Atmosphere predictioN (MONAN): A new paradigm for advancing the Earth system numerical prediction in Brazil and Latin America - Dra Ariane Frassoni dos Santos de Mattos (INPE)
Resumo: The Center for Weather Forecasting and Climate Studies (CPTEC) based at the Earth System Science Center/National Institute for Space Research (INPE), is under a process of restructuring, seeking to optimize personal and financial resources, as well as to increase its national and international leadership in science and technology. In a warmer and changing world, INPE aims to develop novel national response strategies to Brazilian society with effective solutions to reduce problems associated with the occurrence of high-impact weather, climate and environmental events through a National Program for Research, Development and Innovation. The initiative seeks to embrace different stakeholders such as academia and public sectors, policy-makers, and regional meteorological agencies to support the transfer of science to services in an Earth System approach. In order to provide a wider range of more accurate meteorological and environmental numerical products, the focus of the initiative is the development of a unified community-based model of the Earth system - the Model for Ocean-laNd-Atmosphere predictioN (MONAN). MONAN will produce seamless predictions suitable for South America, providing useful information for different economic and societal sectors, through more reliable forecasts in different spatial and time scales. INPE is leading the development of MONAN, that is planned to replace the current atmospheric models it applies nowadays. A scientific steering body formed by national outstanding scientists is responsible for the management of MONAN’s development and operation. To develop a state-of-the-art Earth System model, it is required to take advantage of the novel techniques in high performance computing, physical and biogeochemical processes, a state-of-the-art dynamical core and become data centric. This means MONAN will use novel techniques in Artificial Intelligence (AI), Machine Learning (ML), and data volume that offer great opportunities throughout the workflow of numerical prediction. It is essential to explore how the new capabilities of AI and ML have been currently changing the Earth system science and take the advantage of the new techniques to improve the numerical forecasts that will be produced by MONAN. In our presentation, we will present the MONAN project, its organization, current developments and potential scientific contribution and collaboration in AI and ML.
Bio: Ariane Mattos possui graduação em Meteorologia pela Universidade Federal de Pelotas (2003), mestrado em Meteorologia pelo Instituto Nacional de Pesquisas Espaciais (2006) e doutorado em Meteorologia pelo Instituto Nacional de Pesquisas Espaciais (2014). Foi pesquisadora visitante na National Oceanic and Atmospheric Administration (2010). Trabalhou como meteorologista no Grupo de Previsão Climática do Centro de Previsão de Tempo e Estudos Climáticos do Instituto Nacional de Pesquisas Espaciais de 2010 a 2014, o qual coordenou de 2013 a 2014. Foi professora do Departamento de Engenharia Ambiental do Instituto de Ciência e Tecnologia da Universidade Estadual Paulista "Júlio de Mesquita Filho", sendo docente das disciplinas de Poluição Ambiental, Climatologia e Estatística. Atualmente é pesquisadora do Instituto Nacional de Pesquisas Espaciais (INPE), atuando na área de Modelagem numérica de tempo e clima, com ênfase no estudo do papel dos aerossóis atmosféricos nas previsões numéricas de tempo do modelo global do CPTEC. É membro do Grupo de Trabalho em Experimentação Numérica da Organização Meteorológica Mundial e membro do corpo editorial da newsletter do Programa Mundial de Pesquisa em Tempo.
PL03: Reprodutibilidade em experimentos de Data Science - Dr Pedro Corrêa (USP)
Resumo: Em Ciência dos Dados, a reprodutibilidade de experimentos é um desafio. É complexo reproduzir os experimentos de outros cientistas. Tornar um experimento de Ciência dos Dados envolvendo Deep Learning (DL) reproduzível requer muito trabalho para documentar, verificar e tornar o sistema utilizável. Esses desafios são acrescidos pela complexidade inerente ao DL, como o número de (hiper) parâmetros, a enorme quantidade de dados, o versionamento do modelo de aprendizado, dentre outros. Essa palestra apresenta um conjunto de recomendações para superar os problemas que um pesquisador pode utilizar para melhorar a reprodutibilidade, replicabilidade e reduzir a probabilidade de esforço desperdiçado. Essa palestra apresenta um conjunto de ações destinadas a melhorar a reprodutibilidade de tais experimentos e reduzir a probabilidade de desperdício de esforço.
Bio: Pedro Luiz Pizzigatti Corrêa é Professor Livre Docente da Escola Politécnica da USP (EPUSP) - Departamento de Computação e Sistemas Digitais, desde 2003. Graduou-se em Bacharelado em Ciência da Computação (ICMC/USP, 1987) com doutorado em Engenharia Elétrica (EPUSP/2002). Pós-doutorado em Gestão de Dados Científicos pela University of Tennessee (UT), Climate Change Science Institute of Oak Ridge National Laboratory (CSSI/ORNL) e United States Geological Survey (USGS). Bolsista em Produtividade no Desenvolvimento Tecnológico e Extensão Inovadora do CNPq (2013-2017). Foi consultor em Integração de Sistemas de Informação e Base de Dados do Ministério do Meio Ambiente. Áreas de interesse: Banco de Dados Distribuídos, Gestão de Dados Científicos e Governo Eletrônico. Outras áreas de interesse são: Modelagem e Simulação de Sistemas Computacionais, Sistemas Distribuídos e Engenharia de Software ( https://orcid.org/0000-0002-8743-4244).
PL04: Convergência entre astronomia e computação: o caso da previsão do clima espacial - Dr André Leon S. Gradvohl (Unicamp)
Resumo: O Clima Espacial se refere aos fenômenos que ocorrem no Sol e afetam a magnetosfera e a ionosfera terrestre. Esses fenômenos – entre eles, as explosões solares – podem influenciar o desempenho e a confiabilidade dos sistemas tecnológicos em Terra ou em sua órbita próxima. Para desenvolver mecanismos para prever explosões solares de forma automática, usamos algoritmos de aprendizado de máquina e aprendizado profundo, combinados com metodologias para seleção de atributos, otimização da escolha de hiperparâmetros, tratamento de dados desbalanceados e a busca de uma boa relação entre taxas de acerto e precisão das previsões. Nessa apresentação, serão abordadas algumas pesquisas realizadas na área de previsão das explosões solares, os resultados obtidos até o momento e algumas perspectivas para novos trabalhos nessa área.
Bio: André Gradvohl é graduado em Computação pela Universidade Federal do Ceará (UFC - 1997), Mestre em Engenharia Eletrônica e Computação pelo Instituto Tecnológico de Aeronáutica (ITA - 2000), Doutor em Engenharia Elétrica pela Universidade Estadual de Campinas (Unicamp - 2005) e Especialista em Jornalismo Científico pelo Laboratório de Estudos Avançados em Jornalismo (Unicamp - 2010). Também realizou o pós-doutorado em Sistemas Distribuídos no Laboratoire d'Informatique da Université Pierre et Marie Curie (Paris VI - 2014) e obteve o título de Livre Docente na área de Informática pela Unicamp (2019). Atualmente é Professor Associado na Faculdade de Tecnologia (FT) da Unicamp. Também é membro sênior do IEEE. Tem experiência em Ciência da Computação, atuando nas áreas de processamento de alto desempenho e sistemas distribuídos, segurança da informação, e algoritmos de aprendizado de máquina para a previsão de explosões solares. Pertence ao grupo de pesquisas High Performance Intelligent Decision Systems (http://highpids.ft.unicamp.br).
PL05: Aplicações de Inteligência Artificial em Cidades Inteligentes - Dr Carlos Renato Lisboa Francês (UFPA)
Resumo: A palestra aborda alguns aspectos de Inteligência Artificial e mostra como exerce um papel relevante na construção de Cidades Inteligentes para trazer mais qualidade de vida às suas populações.
Bio: Professor titular da Faculdade de Engenharia de Computação e Telecomunicações, da Universidade Federal do Pará Atualmente Diretor da Agência de Inovação Tecnológica da UFPA. Doutor em Ciências da Computação e Matemática Computacional pela Universidade de São Paulo (2001) Pós-doutorado no Instituto de Engenharia de Sistemas e Computadores, Tecnologia e Ciência (INESC-TEC), Porto/Portugal, 2012 Pesquisador Visitante Sênior no Exterior na Chalmers University/Suécia - 2020 (atividades suspensas em função da pandemia de Covid-19) Foi Presidente da Empresa de Processamento de Dados do Estado do Pará (2007 a 2010). Foi membro da primeira comissão assessora de computação do INEP-MEC, até 2011. Foi Pró-Reitor de Pós-Graduação, Pesquisa e Inovação Tecnológica da Universidade Federal do Sul e Sudeste do Pará (Unifesspa), de 2013 a 2016 Foi Reitor Pro-Tempore da Universidade Federal do Sul e Sudeste do Pará (Unifesspa) É bolsista de Produtividade em Pesquisa 1-D do CNPq. É orientador dos Programas de Pós-Graduação em Engenharia Elétrica (PPGEE) e de Ciência da Computação (PPGCC), ambos da UFPA, tendo formado 34 Mestres, 26 Doutores e 2 Pós-Doutorados.
PL06: Earth Observation Data Cubes for Satellite Image Time Series Analysis - Dra Karine Reis (INPE)
Resumo: Grandes volumes de dados de observação da Terra estão disponíveis abertamente. Especialistas têm acesso a aquisições repetidas de uma mesma área e as séries temporais resultantes dessas sequências melhoram nossa compreensão dos padrões e processos ecológicos. Em vez de selecionar imagens individuais de datas específicas e compará-las, pesquisadores podem acompanhar mudanças continuamente analisando séries temporais de imagens. Para suportar análise de séries temporais de imagens, dados prontos para análise (ARD - Analysis Read Data) de imagens são modelados como cubos de dados multidimensionais. Atualmente, existem diferentes iniciativas para produzir cubos de dados de observação da Terra para regiões específicas, incluindo o Swiss Data Cube, Digital Earth África e o Brazil Data Cube. Esta palestra abordará temas de pesquisa em Computação Aplicada nas áreas de grandes volumes de cubos de dados de observação da Terra e análise de séries temporais de imagens, no contexto do projeto Brazil Data Cube.
Bio: Karine Reis Ferreira é doutora em Computação Aplicada e trabalha há 20 anos no INPE com pesquisa e desenvolvimento em Geoinformática. Ela é docente do curso de pós-graduação em Computação Aplicada do INPE e uma das coordenadoras do projeto Brazil Data Cube (http://brazildatacube.org/), liderando pesquisa e desenvolvimento em processamento de grandes volumes de cubos de dados de observação da Terra e em análise de séries temporais de imagens.
PL07: Image Spectrometry and Active Systems in the Study of Volcanic Activity (UPM/INTA)
Abastract: The aim of this talk is to present a geospatial methodology for the analysis of the time evolution of volcanoes using different image automatic techniques compared to expert-based remote sensing techniques. In some cases when the volcanoes are close to urban areas, an important aim will be to establish relationships that allow linking spectral patterns with what can be called as real information and, therefore, identify information related to volcanic activity. I will start the talk with a brief introduction of remote sensing from my point of view. I will talk about data pre-processing techniques to extract information from all image data, including geometric correction, radiometric correction and a number of image arithmetic and statistical analysis. These previous steps allow to obtain a perfectly overlapped image data set, the identification of spectral diagnostic bands of volcano activity and the accuracy of spatial correlation.
Then I will expose the change detection of hydrothermal alteration materials in relation with time series from multisensor data acquired in spectral ranges of the visible (VIS), short wave infrared (SWIR) and thermal infrared (TIR). To do this, we use multispectral and hyperspectral scenes from satellite data (Sentinel 2, ASTER, ALI, Hyperion), and airborne sensor data (HyMAP, MASTER, AVIRIS, AHS) in different time periods. We analyze a time series of active systems data applying differential radar interferometry for the study of land deformation in relation with volcanic activity. As we can see, this methodology means a multi-source approach, applied to the analysis of the correlations between hydrothermal materials and spectral anomalies in volcano complexes. I will present the results for the Turrialba volcano, located in The Central Volcanic Range (Costa Rica), and for the La Palma eruption of 2021, located in Las Canarias Islands (Spain). Finally, I will expose briefly some considerations about the implication of these remote methods in Planetary research, in the sense of the methodology presented is an approach based on a comparison of different strategies whose main interest lies in the automated identification of patterns without prior knowledge or poor information about the study area, which is relevant in image-based prospecting.
Bio: Tenured Scientist of Public Research Organizations (OPI) at the National Institute for Aerospace Technology (INTA), currently in the Space Programs Department and member since 1995 to 2008 of the Department of Earth Observation, Remote Sensing and Atmosphere. Doctor in Land Engineering from the Polytechnic University of Madrid (UPM) and Associate Professor at the UPM in the Department of Engineering and Land Morphology since 2003. Head of the Advanced Projects Office with the main lines of research in active and passive remote sensing, field radiometry, sensor orientation and planetary exploration. Expert in geospatial analysis, image spectrometry and anomaly detection. Main applications and interests in climate change effects, including migration processes, digital heritage, both cultural and natural, environment, natural risks and planetology.
PL08: Deep Learning: Transference and Explainability - Dr Valdivino Santiago Júnior (CAP/INPE)
Abastract: In this talk, two relevant topics related to deep learning will be discussed. Firstly, transfer learning will be addressed showing strengths and limitations. Afterwards, the topic will be Explainable Artificial Intelligence (XAI), one of the components of Responsible Artificial Intelligence. Both subjects will be discussed considering also a recently published study where deep neural networks were used to support scientific software testing.
Bio: Valdivino Alexandre de Santiago Júnior possui Pós-Doutorado (Pesquisador Visitante) em Ciência da Computação pela University of Nottingham, Inglaterra, Reino Unido (2019), doutorado pelo programa de Pós-Graduação em Computação Aplicada (2011) do Instituto Nacional de Pesquisas Espaciais (INPE) em São José dos Campos/SP, mestrado em Engenharia Elétrica pela Universidade Federal do Ceará (1999) e graduação em Engenharia Elétrica pela Universidade Federal do Ceará (1996). Ocupa, também, o cargo de tecnologista sênior no INPE. Trabalhou, por mais de 20 anos, em desenvolvimento de satélites científicos e projetos de balões estratosféricos do INPE. Realizou projeto de pesquisa em Verificação Formal de Sistemas Probabilísticos na Concordia University, Montreal, Canadá (2015). Tem experiência nas áreas de Engenharia e Ciência da Computação com ênfase em Aprendizado de Máquina, Aprendizado Profundo, Otimização, Verificação e Validação (Teste, Verificação Formal, Inspeção) de Software para Sistemas Críticos Embarcados, Desenvolvimento de Software para Aplicações Espaciais, Programação Paralela/Distribuída, e Análise de Dados. Tópicos de pesquisa de interesse incluem Inteligência Artificial, Aprendizado de Máquina, Aprendizado Profundo, Otimização de Sistemas/Software (Hiper-Heurísticas, Meta-Heurísticas, Algoritmos Evolutivos), Teste de Software, Sensoriamento Remoto e Sistemas Aeroespaciais (Satélite, VANT). É professor permanente do programa de Pós-Graduação em Computação Aplicada do INPE e consultor ad-hoc da Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP).
PL09: Representação e Classificação de dados hiperespectrais via Variedade de Grassmann - Dr Guilherme de Alencar Barreto (UFC)
Resumo: Este seminário discute uma abordagem para representação e classificação de dados hiperespectrais proposta por Chepushtanova and Kirby (2017), que explora um arcabouço geométrico, a variedade de Grassmann; ou seja, uma parametrização de subespaços k-dimensionais do R^n. Para isso, múltiplos pixels de uma dada classe são usados para capturar sua variabilidade usando uma representação em subespaço. São usadas duas métricas definidas na grassmanniana, a cordal e a geodésica, e várias outras pseudométricas para medir distância entre os pontos (i.e., subespaços). Uma vez que uma matriz de distâncias é gerada, a clássica técnica MDS (multidimensional scaling) é aplicada a fim de encontrar uma configuração de pontos com distâncias originais preservadas ou aproximadas, realizando um mergulho da grassmanniana no espaço euclidiano. Várias estratégias de visualização de dados e classificação de dados são discutidas através de exemplos com dados sintéticos e reais, mostrando que o arcabouço da variedade de Grassmann provê uma representação linearmente separável mesmo quando os dados originais não o sejam
Bio: Guilherme de Alencar Barreto possui graduação em Engenharia Elétrica pela Universidade Federal do Ceará, mestrado (1998) e doutorado (2003) em Engenharia Elétrica pela Escola de Engenharia de São Carlos/USP (1998), com período de doutorado-sanduíche na Universidade de Bielefeld (Alemanha). É professor associado do Departamento de Engenharia de Teleinformática, Universidade Federal do Ceará. Sua principal área de pesquisa é inteligência computacional e aprendizado de máquinas com aplicações em robótica, identificação e controle de sistemas dinâmicos e reconhecimento de padrões. É membro da Sociedade Brasileira de Inteligência Computacional (SBIC), tendo sido seu diretor presidente nos biênios 2015-2017 e 2019-2021. É também membro da Sociedade Brasileira de Automática (SBA). É editor-chefe do periódico Learning & Nonlinear Models (L&NLM), editado pela SBIC, desde 2009. É também membro do conselho editorial (editorial board) dos periódicos International Journal of Innovative Computing and Applications (Inderscience) e Frontiers in Bioinformatics (https://loop.frontiersin.org/people/243428/editorial). Foi coordenador do Programa de Pós-Graduação em Engenharia de Teleinformática - PPGETI (CAPES 6), Universidade Federal do Ceará por 2 mandatos (AGO/2017-JUL/2019 e AGO/2019-JUL/2021).
