UNIVERSITATEA POLITEHNICA DIN BUCURES, TI

FACULTATEA DE AUTOMATICĂ S, I CALCULATOARE

DEPARTAMENTUL DE CALCULATOAREComputer Science - Logo
HBFX

Computer Science
& Engineering
Department

Computer Science
& Engineering
Department

RAPORT DE CERCETARE

Portofoliu cu Unelte de Procesare Imagini Satelitare folosind

Jupyter Notebook

Andrei-Ionut, Chereches, u

Coordonator s, tiint, ific:

Prof. dr. ing. Florin Pop

BUCURES, TI
2021
CUPRINS

1 Introducere 2

2 Motivat, ie 3

3 Metode Existente 4

3.1 Informat, ii generale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

3.2 Analiza stării vegetat, iei . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3.3 Randamentul culturilor agricole . . . . . . . . . . . . . . . . . . . . . . . . 6

3.4 Clusterizarea de imagini satelitare . . . . . . . . . . . . . . . . . . . . . . . 7

3.5 Platforme destinate stocării s, i procesării de date satelitare . . . . . . . . . . 8

3.5.1 Google Earth Engine . . . . . . . . . . . . . . . . . . . . . . . . . . 8

3.5.2 Open Data Cube . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

3.5.3 Copernicus Open Access Hub . . . . . . . . . . . . . . . . . . . . . 9

4 Concluzii 10

1
1 INTRODUCERE
Odată cu ı̂nceperea erei spat, iale, marcată de lansarea primului satelit ı̂n orbită, ı̂n anul 1957,
de către Uniunea Sovietică, avansurile tehnologice ı̂n materie de colectare s, i procesare de
cantităt, i de date de dimensiuni mari, provenite de la satelit, i, au deschis numeroase căi de
cercetare ı̂n privint, a ı̂mbunătăt, irea viet, ii oamenilor. Satelit, ii sunt astăzi folosit, i pentru sco-
puri precum comunicare, explorarea planetei noastre, precum s, i explorarea altor planete din
Univers. Multitudinea senzorilor acestora, folosit, i pentru colectare de date, au impact s, i ı̂n
sigurant, a oamenilor ı̂n cazul unor situat, ii de criză majoră s, i dezastre naturale.

Astfel, ı̂n contextul unei sporiri a situat, iilor de urgent, ă apărute ca urmări ale unor dezas-
tre naturale, accidente industriale sau fenomene atmosferice extraordinare, managementul
acestora capătă o important, ă crescută, ce necesită o abordare integrată pentru prevenirea,
tratarea acestora s, i refacerea zonelor afectate.

Proiectul SPERO - Tehnologii spat, iale ı̂n managementul dezastrelor s, i crizelor majore, mani-
festate la nivel local, nat, ional s, i regional [20] realizat de un consort, iu format din numeroase
universităt, i s, i institute românes, ti de cercetare, coordonat de ICI - Institutul Nat, ional de
Cercetare-Dezvoltare in Informatică, ı̂s, i propune, printre altele, să realizeze o bază de date
geo-spat, iale complexe, a instrumentelor de vizualizare, procesare s, i analiză a acestora, inven-
tarierea zonelor de risc s, i a mijloacelor existente s, i necesare pentru managementul dezastrelor
s, i crizelor majore [20]. Beneficiarul acestui proiect este Agent, ia Spat, ială Română (ROSA) [1].

Plecând de la aceste premise, ı̂n cadrul acestui proiect se urmăresc atât analiza tehnologiilor
disponibile ı̂n prezent s, i a literaturii de specialitate din domeniu, cât s, i valorificarea depozitelor
de date de informat, ii satelitare disponibile la Agent, ia Spat, ială Română, precum s, i la alte surse
similare. Prin atingerea acestui scop se obt, ine familiarizarea cu produsele de tip imagini sa-
telitare, fapt concretizat printr-un portofoliu cu instrumente de procesare specifice, având ca
t, intă publicul specializat, sub forma unor aplicat, ii Python, prezentate prin intermediul Jupyter
Notebooks [8].

2
2 MOTIVAT, IE
Se poate spune că Imagistica Satelitară face parte din ”Revolut, ia Big Data”. Cantitatea
foarte mare de informat, ii ce trebuiesc colectate, stocate s, i procesate face ca evolut, ia sistemelor
informatice să joace un rol tot mai important ı̂n acest proces ce are ca scop final ı̂mbunătăt, irea
viet, ii omului, la nivelul ı̂ntregii populat, ii a planetei noastre. Fără o procesare eficientă s, i
adecvată acestui tip de informat, ii, impactul acestor impresionante avansuri tehnologice are de
suferit.

Înainte de 1972, satelit, ii erau folosit, i exclusiv in scopuri militare, iar, odată cu aparit, ia
potent, ialelor lor scopuri legate de observările pe termen lung ale ı̂ntinderilor de pământ, apă s, i
ale biosferei s, i atmosferei, a luat nas, tere Land Remote Sensing Policy Act of 1992 [21], lege
ce avea să schimbe s, i promoveze uzul acestora ı̂n cercetare s, i aplicat, ii destinate publicului.

Astfel, au luat nas, tere domenii de studiu cu utilitate ı̂n viat, a de zi cu zi a oamenilor. Utilizarea
acestor informat, ii are impact ı̂n domenii precum:

• Analiza s, i combaterea despăduririlor

• Analiza stării vegetat, iei (folosind indecs, i NDVI/NDWI)
• Detect, ia tipului de sol
• Detect, ia dezastrelor naturale (incendii, alunecări de teren, inundat, ii)
• Prognoza vremii
• Randamentul culturilor agricole
• Clusterizarea de imagini satelitare

Motivat, ia personală legată de studierea acestui domeniu vine din dorint, a de aı̂mbina cunos, tint, ele
tehnice s, i teoretice dobândite de-a lungul studiilor superioare ı̂n domeniu s, i nu numai, cu im-
pulsul firii umane de a avea un impact ı̂n viat, a altor oameni, ajutându-i.

3
3 METODE EXISTENTE
3.1 Informat, ii generale

În trecut, imaginile din satelit erau costisitoare, iar tehnologia satelitară init, ială era utilizată
cu scopuri militare, cum ar fi monitorizarea s, i evaluarea amenint, ărilor; un astfel de satelit era
cunoscut sub numele de satelit de recunoas, tere, de exemplu satelitul CORONA [16]. Satelitul
a fost lansat ı̂n 1960 s, i operat, iunea s-a ı̂ncheiat ı̂n 1972 din cauza unei scurgeri de imagini
confident, iale pe internet, aceste informat, ii apart, inând Statelor Unite ale Americii (SUA) fiind
legate de securitate s, i apărare nat, ională.

Sistemele de imagini satelitare pot fi clasificate ı̂n sisteme radar s, i optice. Radarele fur-
nizează propria energie pentru a ilumina o zonă de interes s, i pentru a măsura semnalele
reflectate, ı̂n timp ce sistemele optice folosesc undele electromagnetice reflectate ale luminii
solare s, i radiat, ia infraros, ie emisă de obiecte de pe sol [24]. Satelit, ii optici sunt, totus, i, utilizat, i
mai frecvent decât satelit, ii radar.

Imaginile satelitare sunt disponibile ı̂n diferite rezolut, ii spat, iale. Putem vorbi despre ima-
gini de rezolut, ie scăzută, cu dimensiunea pixelului la sol fiind echivalentă cu mai mult de 10
metri. Acestea sunt utile ı̂n aplicat, ii pentru evaluarea mediului ı̂nconjurător, cartografiere,
managementul forestier, monitorizarea dezastrelor naturale s, i analiza zonelor urbanizate. Un
exemplu este ilustrat prin Figura 1. Spre deosebire de acestea, imaginile de rezolut, ie mare, cu
dimensiunea pixelului la sol mai mică de 5 metri cont, in informat, ie de o granularitate mai mare,
obiectele de pe suprafat, a pământului fiind mai vizibile (precum străzi, arbori, râuri, clădiri),
având aplicat, ii ı̂n zone precum proiectarea ret, elelor de transport public, managementul dez-
astrelor naturale, agricultură sau urbanism (Figura 2).

De asemenea, imaginile satelitare diferă s, i din punctul de vedere a rezolut, iei spectrale.
Rezolut, ia spectrală a unui senzor de capturare de date relevă numărul de benzi spectrale ı̂n
care senzorul poate colecta radiat, iile reflectate. Astfel, diferent, iem ı̂ntre imagini:

• pancromatice - o singură bandă (alb-negru)

• color - 3 benzi (ros, u, verde, albastru - RGB)
• multispectrale - 4-8 benzi (RGB+N - culoare s, i infraros, u apropiat, NIR)
• superspectrale - 16 sau mai multe benzi
2
https://gsp.humboldt.edu/OLM/Courses/GSP 216 Online/lesson3-1/resolution.html

4
Figura 1: Imagine de rezolut, ie spat, ială Figura 2: Imagine de rezolut, ie spat, ială ridi-
scăzută - 15m 1 cată - 1m 2

• hiperspectrale - 100 sau mai multe benzi

O altă clasificare a imaginilor satelitare se poate face după rezolut, ia radiometrică a acestora.
Aceasta reprezintă granularitatea cu care radiat, ia colectată de senzor este transformată ı̂n
informat, ie la nivel digital. Concret, reprezintă numărul de bit, i pe care reprezentăm un semnal
dintr-o bandă. Putem avea semnale cu 2 niveluri (1 bit), pană la semnale cu 65536 niveluri
(16 bit, i). Satelit, ii mai noi folosesc senzori de achizit, ie de date pe 16 bit, i.

Al patrulea tip de rezolut, ie este cea temporală, reprezentând diferent, a de timp ı̂ntre momen-
tele ı̂n care s-au făcut 2 achizit, ii de date diferite, pentru aceeas, i zonă de interes. Al doilea
moment de timp se mai numes, te, ı̂n literatura de specialitate, ”timp de revizitare”, iar satelit, ii
au, ı̂n general, aces, ti timpi constant, i. De exemplu, pentru Landsat, timpul de revizitare este
de aproximativ 16 zile [10], iar pentru MODIS de aproximativ o zi [6].

In continuare, vor fi prezentate o serie de aplicat, ii ale imaginilor satelitare in diferite domenii,
alături de o analiză a literaturii de specialitate ı̂n ceea ce le prives, te.

3.2 Analiza stării vegetat, iei

Analiza stării vegetat, iei este una din cele mai răspândite aplicat, ii ale imaginilor satelitare, pro-
cesul având la bază chiar substant, a numită clorofilă [4], prezentă ı̂n frunzele plantelor. Pentru
a determina densitatea vegetat, iei ı̂ntr-o zonă de interes de pe pământ, trebuiesc analizate
lungimile de undă ale luminii solare reflectate de către plante. Compunerea acestor diferite
lungimi de undă are ca rezultat spectrul solar.

Clorofila are proprietatea de a absorbi lumina vizibilă (0.4 − 0.7µm), pentru a o folosi la
procesul de fotosinteză. Pe de altă parte, undele de tip Infraros, u Apropiat (NIR - Near Infra-
red) sunt puternic reflectate, fiind capturate de senzorii satelitari.

5
Astfel, se defines, te Indicele normalizat de diferent, iere al vegetat, iei - NDVI, ce reprezintă
diferent, a dintre procentul de NIR s, i lumină ros, ie reflectate ı̂napoi către senzori.

N IR − Red
N DV I = (1)
N IR + Red

Valoarea acestui indice variază ı̂n intervalul [−1, 1]. O valoare apropiată de 1 arată că zona
analizată cont, ine o floră densă s, i sănătoasă, ı̂n timp ce o valoare spre zero poate, după caz,
să insemne că vegetat, ia este rară sau inexistentă (relief montan sau des, ert). Dacă indicele
are valori negative, zona observată este afectată de nori, apă sau zăpadă.

În lucrarea scrisă de Ozyavuz et al. [14] se demonstrează faptul că informat, iile din imagi-
nile satelitare reprezintă date importante ı̂n problema analizei stării vegetat, iei, iar folosirea
indicelui NDVI ı̂n serie temporală pentru descrierea dinamicităt, ii vegetat, iei la scară largă oferă
rezultate corecte cu o precizie de de 80%. Aces, tia au folosit imagini capturate cu ajutorul
Landsat [23], din anii 1987, 2002 s, i 2012, cu o rezolut, ie spat, ială de 30m.

În general, ariile puternic ı̂mpădurite prezintă un indice NDVI ridicat. Pe aceste premise,
o lucrare realizată de Othman et al. [13], ı̂n 2018, caută să clasifice schimbările vegetat, iei
forestiere ı̂ntr-un interval de 14 ani. Aces, tia arată că, ı̂n funct, ie de rezolut, ia spat, ială a imagi-
nilor folosite, provenite de la un satelit MODIS [17], de 1km s, i 250m, se identifică schimbări
de 8.9%, respectiv 6.6%. De asemenea, se demonstrează că folosirea imaginilor satelitare de
rezolut, ie mai inaltă reflectă ı̂ntr-o acuratet, e mai bună a algoritmului de detect, ie (NDVI Clas-
sification). Astfel, analiza NDVI reprezintă o procedură ce poate fi ı̂mbunatăt, ită prin folosirea
mai multor platforme de ”Remote Sensing”.

Alte metode din literatura de specialitate nu folosesc doar indicele NDVI, ci fuzionează rezul-
tatele obt, inute pe baza calculului mai multor indecs, i asemanători (NDFI, NDMI, EVI, GEMI,
TCw s, i SAVI). În lucrarea realizată de Schultz et al.[18], este analizată performant, a unui mo-
del bazat pe un Random Forest Classifier [11], cu 500 arbori, ce arată că utilizarea mai multor
indecs, i ı̂n analiza stării vegetat, iei pentru detect, ia despăduririlor poate ı̂mbunătăt, i rezultatele
cu până la 6%.

3.3 Randamentul culturilor agricole

În domeniul studiului randamentului culturilor agricole, imaginile satelitare de rezolut, ii spat, iale
scăzute au căpătat o relevant, ă crescută, datorită costului lor mai scăzut de achizit, ie, precum s, i
a rezolut, iei temporale crescute fat, ă de imaginile de rezolut, ie spat, ială crescută. Monitorizarea
culturii s, i prognoza randamentului acestora au devenit procese tot mai tehnologizate odată cu
evolut, ia s, i comercializarea produselor de tip imagine satelitară. În Europa, proiectul MARS,

6
lansat ı̂n 1988, caută să estimeze product, ia anuală a culturilor ı̂n stadii cât mai timpurii [22].

În lucrarea scrisă de Rembold et al.[15], se face distinct, ie ı̂ntre:

• metode calitative de monitorizare a culturilor

• metode cantitative de estimare a randamentului culturilor prin modele regresive
• metode cantitative de estimare a randamentului culturilor prin modelarea cres, terii cul-
turilor

Primele se bazează pe o comparat, ie ı̂ntre starea curentă a culturii raportată la anii anteriori
sau la o situat, ie ”normală”. Pe baza anomaliilor detectate ı̂n evolut, ia culturii se trag concluzii
legate de limitări ale product, iei. În cadrul acestei metode se folosesc divers, i indici de vegetat, ie,
precum NDVI, descris in sect, iunea anterioară.

Estimarea randamentului prin modele regresive are ca rezultat un număr finit (tone/hectar),
fat, ă de metoda anterioară, ce doar oferea o indicat, ie calitativă raportată la alt, i ani. Acestea
se bazează tot pe indicele NDVI, insă, construiesc un model de regresie liniară ı̂n raport cu
acesta, alături de randamentele obt, inute anterior. Un dezavantaj al acestei metode este fap-
tul că valorile folosite la estimarea product, iei (indicele NDVI) sunt dependente de specificul
geografic al zonei, astfel modelele create nu pot generaliza bine.

Metodele cantitative de estimare a randamentului prin modelarea fiziologică a culturilor implică

simulări matematice, ce includ informat, ii analitice legate de fiziologia plantelor din cultura res-
pectivă. În aceste modele sunt descrise s, i interact, iunile culturii cu factorii de mediu care pot
avea impact asupra randamentului acesteia (temperatura aerului, umiditatea solului, nivelul
de nutrient, i). Informat, iile provenite de la senzori sunt folosite pentru ı̂mbunătăt, irea modelului
prin modificarea variabilelor de stare ale modelului ce simulează cultura.

3.4 Clusterizarea de imagini satelitare

Odată cu avansurile tehnologice ı̂n materie de comunicare, cantităt, ile de informat, ie transmisă
au crescut considerabil. Senzorii produc date de o calitate (s, i implicit dimensiune) tot mai
mari s, i, astfel, a apărut nevoia de a extrage informat, iile esent, iale din acestea, prin procese
cât mai eficiente. Clusterizarea sau gruparea informat, iei reprezintă un proces de impărt, ire a
acesteia ı̂n categorii, bazat pe similaritate.

Unul din cele mai eficiente procedee de clusterizare este algoritmul k-means [12], ce partit, ionează
informat, ia având ca date de intrare adit, ionale s, i numărul final de ”clustere”. Recent, ı̂n li-
teratura de specialitate au apărut variante ale acestui algoritm care nu necesită specificarea
manuală a numărului de clustere [9], fiind mai potrivit produselor de tip imagine satelitară,
ı̂ntrucât funct, ionează fără nevoie de cunos, tint, e legate de imaginea ce urmează a fi segmentată.

7
Un exemplu de imagine satelitară ı̂nainte s, i după procesul de clusterizare, cu ajutorul al-
goritmului K-means, poate fi vizualizată ı̂n Figura 3 s, i Figura 4.

Figura 3: Imagine satelitară neclusterizată - Figura 4: Imagine satelitară clusterizată -

Lake Burullus, Egypt 3 Lake Burullus, Egypt 4

Pe lângă această metodă, un număr foarte mare de tehnici din Machine Learning se pretează
la a fi aplicate pentru clasificarea imaginilor satelitare. Dintre metodele nesupervizate, putem
ment, iona algoritmul Support Vector Machines (SVM), iar dintre metodele supervizate putem
enumera: ret, elele neurale artificiale, arborii de decizie sau diverse tehnici de segmentare de
imagini [2].

3.5 Platforme destinate stocării s, i procesării de date satelitare

Cres, terea numărului de satelit, i folosit, i la observarea Pământului s, i avansurile tehnologice

legate de senzorii prezent, i pe aces, tia au condus, inevitabil, la crearea unor seturi de date de
dimensiuni foarte mari, care cresc exponent, ial. Astfel, a apărut nevoia de a avea platfome
de stocare, procesare, diseminare s, i analizare a acestor informat, ii. Sistemele distribuite de tip
cloud reprezintă cea mai bună alternativă din acest puncte puncte de vedere, ı̂ntrucât volumele
de date produse de Landsat 7, Landsat 8, MODIS s, i Sentinel (1, 2 s, i 3) sunt de aproximativ
5 Petabytes (5 ∗ 250 bytes) [19], cantitate ce depăs, es, te cu mult capacităt, ile unui sistem de
calcul personal.

3.5.1 Google Earth Engine

O primă platformă este Google Earth Engine (GEE) [5], lansată ı̂n anul 2010. Arhitectura
acesteia este de tip cloud s, i este construită pe baza unei multitudini de tehnologii disponibile
ı̂n infrastructura Google. Aceasta foloses, te baze de date distribuite - Bigtable s, i Spanner -
alături de un sistem de fis, iere distribuit - Colossus. Un utilizator specializat poate avea acces
la informat, iile oferite de această platformă prin intermediul unui API disponibil ı̂n Javascript
s, i Python. Pentru utilizatorii ce doresc să folosească varianta Javascript a bibliotecii oferite,
Google pune la dispozit, ie s, i un IDE Web.
4
https://dominicatkinson.com/post/k-means-and-satellite-imagery/

8
 Figura 5: Google Earth Engine (GEE) - System Architecture5

3.5.2 Open Data Cube

Open Data Cube [7] reprezintă un framework Open-Source, proiectat pentru a eficientiza
accesul s, i utilizarea informat, iilor satelitare. Prima implementare a Open Data Cube a fost
făcută de către Australia, prin ”Australia Geoscience Data Cube”. Accesul la informat, iile
satelitare, ı̂n cadrul Open Data Cube, precum s, i manipularea acestora, se face prin intermediul
unui API disponibilı̂n Python. Sunt, de asemenea, disponibile interfet, e web pentru vizualizarea
datelor, instrumente statistice de procesare a acestora, precum s, i exemple practice (de cod)
pentru acces si folosire a informat, iilor stocate ı̂n ODC.

3.5.3 Copernicus Open Access Hub

Platforma Copernicus Open Access Hub [3] este un alt exemplu de infrastructură destinată
datelor spat, iale, ce oferă acces gratis la produsele satelitare Sentinel-1, Sentinel-2, Sentinel-3
s, i Sentinel-5P. Aceasta a fost dezvoltată ca proiect al Uniunii Europene pentru monitorizarea
Pământului s, i a ecosistemelor din cadrul acestuia. Oferă acces la informat, iile stocate atât
prin intermediul unei interfet, e grafice, cât s, i prin intermediul unui API.

5
© Gorelick, Noel, et al. ”Google Earth Engine: Planetary-scale geospatial analysis for everyone.” Remote
sensing of Environment 202 (2017): 18-27. [5]

9
4 CONCLUZII
În concluzie, imaginile satelitare reprezintă o sursă valoroasă cu ajutorul căreia putem lua deci-
zii informate ı̂ntr-o multitudine de situat, ii de mare important, ă pentru bunăstarea s, i securitatea
viet, ii omului. În acest raport de cercetare au fost prezentate not, iuni generale despre produsele
de tip imagine satelitară, precum tipurile de satelit, i s, i diferite caracteristici ale informat, iilor
capturate de senzorii acestora (rezolut, ie spat, ială, temporală, spectrală s, i radiometrică). Ulte-
rior, s-a documentat o analiză a literaturii de specialitate ı̂n ceea ce prives, te câteva cazuri de
utilizare ale informat, iilor satelitare s, i a platformelor integrate disponibile pentru acces, utilizare
s, i procesare de date spat, iale.

Putem, astfel, să tragem concluzia că indicii precum NDVI - Normalized Difference Vege-
tation Index, ce măsoară raportul dintre razele reflectate de tip Infraros, u Apropiat s, i Ros, u
(din spectrul vizibil) de către floră, joacă un rol extrem de important ı̂n probleme precum
analiza despăduririlor, a stării vegetat, iei sau a randamentului unei culturi agricole.

Algoritmii din zona de cercetare Machine Learning sunt la fel de folositori ı̂n probleme de
clusterizare a informat, iilor provenite de la satelit, i, ı̂ncepând de la algoritmi simpli, precum
k-means, s, i mergând până la ret, elele neurale artificiale.

Cantităt, ile de informat, ii ce cresc exponent, ial au dus la aparit, ia unor solut, ii integrate de acces,
folosire, stocare s, i procesare de date de la divers, i satelit, i, atât ı̂n format deschis publicului
larg, cât s, i pentru uz comercial. Platformele distribuite cloud joacă un rol important ı̂n a
da posibilitatea de a manipula volume de ordinul Petabytes de date, mult ı̂n afara resurselor
disponibile pe o mas, ină de calcul obis, nuită.

În continuare, ı̂n cadrul acestei teme de cercetare se va continua cu aprofundarea literatu-
rii de specialitate pentru alte cazuri de utilizare, concretizându-se prin implementarea unor
unelte de procesare de imagini satelitare funct, ionând după procedeele studiate, folosind una
sau mai multe platforme computat, ionale pentru date satelitare.

10
BIBLIOGRAFIE
[1] Agent, ia Spat, ială Română (ROSA).

[2] Sunitha Abburu and Suresh Babu Golla. Satellite image classification methods and
techniques: A review. International journal of computer applications, 119(8), 2015.

[3] Copernicus — European Space Agency. Copernicus Open Access Hub.

[4] Anatoly A Gitelson and Mark N Merzlyak. Remote estimation of chlorophyll content in
higher plant leaves. International Journal of Remote Sensing, 18(12):2691–2697, 1997.

[5] Noel Gorelick, Matt Hancher, Mike Dixon, Simon Ilyushchenko, David Thau, and Re-
becca Moore. Google earth engine: Planetary-scale geospatial analysis for everyone.
Remote sensing of Environment, 202:18–27, 2017.

[6] Thomas Hilker, Michael A Wulder, Nicholas C Coops, Nicole Seitz, Joanne C White,
Feng Gao, Jeffrey G Masek, and Gordon Stenhouse. Generation of dense time series
synthetic landsat data through data blending with modis using a spatial and temporal
adaptive reflectance fusion model. Remote Sensing of Environment, 113(9):1988–1999,
2009.

[7] Brian Killough. Overview of the open data cube initiative. In IGARSS 2018-2018 IEEE
International Geoscience and Remote Sensing Symposium, pages 8629–8632. IEEE, 2018.

[8] Thomas Kluyver, Benjamin Ragan-Kelley, Fernando Pérez, Brian E Granger, Matthias
Bussonnier, Jonathan Frederic, Kyle Kelley, Jessica B Hamrick, Jason Grout, Sylvain
Corlay, et al. Jupyter Notebooks-a publishing format for reproducible computational
workflows., volume 2016. 2016.

[9] Kitti Koonsanit, Chuleerat Jaruskulchai, and Apisit Eiumnoh. Parameter-free k-means
clustering algorithm for satellite imagery application. In 2012 International Conference
on Information Science and Applications, pages 1–6. IEEE, 2012.

[10] Jian Li and David P Roy. A global analysis of sentinel-2a, sentinel-2b and landsat-8 data
revisit intervals and implications for terrestrial monitoring. Remote Sensing, 9(9):902,
2017.

[11] Andy Liaw and Matthew Wiener. Classification and regression by randomforest. R News,
2(3):18–22, 2002.

11
[12] James MacQueen et al. Some methods for classification and analysis of multivariate
observations. In Proceedings of the fifth Berkeley symposium on mathematical statistics
and probability, volume 1, pages 281–297. Oakland, CA, USA, 1967.

[13] MA Othman, ZH Ash’Aari, AZ Aris, and MF Ramli. Tropical deforestation monitoring

using ndvi from modis satellite: A case study in pahang, malaysia. In IOP Conference
Series: Earth and Environmental Science, volume 169, page 012047. IOP Publishing,
2018.

[14] M Ozyavuz, BC Bilgili, and A Salici. Determination of vegetation changes with ndvi
method. Journal of Environmental Protection and Ecology, 16(1):264–273, 2015.

[15] Felix Rembold, Clement Atzberger, Igor Savin, and Oscar Rojas. Using low resolution
satellite imagery for yield prediction and yield anomaly detection. Remote Sensing,
5(4):1704–1733, 2013.

[16] Kevin C Ruffner. Corona: America’s first satellite program. History Staff, Center for the
Study of Intelligence, Central Intelligence Agency, 1995.

[17] A Savtchenko, D Ouzounov, S Ahmad, J Acker, G Leptoukh, J Koziana, and D Nick-

less. Terra and aqua modis products available from nasa ges daac. Advances in Space
Research, 34(4):710–714, 2004.

[18] Michael Schultz, Jan GPW Clevers, Sarah Carter, Jan Verbesselt, Valerio Avitabile,
Hien Vu Quang, and Martin Herold. Performance of vegetation indices from landsat
time series in deforestation monitoring. International journal of applied earth observation
and geoinformation, 52:318–327, 2016.

[19] Pierre Soille, A Burger, D De Marchi, Pieter Kempeneers, D Rodriguez, Vassilis Syrris,
and V Vasilev. A versatile data-intensive computing platform for information retrieval
from big geospatial data. Future Generation Computer Systems, 81:30–40, 2018.

[20] Consort, iul SPERO. Spero - tehnologii spaţiale ı̂n managementul dezastrelor s, i crizelor
majore, manifestate la nivel local, naţional şi regional.

[21] U.S. House. 102nd Congress, 1st Session. Land Remote Sensing Policy Act of 1992,
Oct. 28 1992.

[22] P Vossen and D Rijks. Issues related to agrometeorological models when applying them
for yield forecasting at a european scale. Agrometeorological applications for regional
crop monitoring and product assessment. Edited by: D. Rijks, JM Terres, P. Vossen.
Joint Research Centre, European Commision, EUR, 17735, 1998.

[23] Darrel L Williams, Samuel Goward, and Terry Arvidson. Landsat. Photogrammetric
Engineering & Remote Sensing, 72(10):1171–1178, 2006.

[24] Pawel Ziemnicki. Optics or Radars? What is Better for the Earth Observation Purposes?

12