Big Data challenges in building the Global Earth Observation System of Systems

Nativi, Stefano; Mazzetti, P.; Santoro, Mattia; Papeschi, Fabrizio; Craglia, Max; Ochiai, Osamu

doi:10.1016/j.envsoft.2015.01.017

Cited by 221 publications

(118 citation statements)

References 15 publications

Supporting

Mentioning

111

Contrasting

Unclassified

Order By: Relevance

“…One possible solution to get an homogenous access to EO data can be to go through the Global Earth Observation System of Systems (GEOSS) that provides a GEO Discovery and Access Broker (GEO DAB) API (Nativi et al, 2015). Through this API, users can discover and access various heterogeneous EO data in a seamless and homogenous way.…”

Section: Discussionmentioning

confidence: 99%

Building an Earth Observations Data Cube: lessons learned from the Swiss Data Cube (SDC) on generating Analysis Ready Data (ARD)

et al. 2017

View full text Add to dashboard Cite

Section: Discussionmentioning

confidence: 99%

Building an Earth Observations Data Cube: lessons learned from the Swiss Data Cube (SDC) on generating Analysis Ready Data (ARD)

et al. 2017

View full text Add to dashboard Cite

“…Por otra parte, [7], [9], [10], [11] concuerdan en que Big Data no solo hace referencia a los grandes conjuntos de datos (volumen), sino también a limitaciones como velocidad y variedad. Hasta este punto se integran las primeras 3Vs (volumen, variedad y velocidad) como lo afirman son empleadas por diferentes autores.…”

Section: A Big Data Y Calidad Del Recurso Hídricounclassified

“…Hasta este punto se integran las primeras 3Vs (volumen, variedad y velocidad) como lo afirman son empleadas por diferentes autores. [9], [10] y [11] identifican nuevas características (Vs) que se agregan al concepto: veracidad (calidad e incertidumbre de los datos), valor (filtrado de información valiosa) y visualización (la presentación de la información en una manera eficaz).…”

Section: A Big Data Y Calidad Del Recurso Hídricounclassified

Análisis de la Calidad del Agua del Río Bogotá Dura nte el Periodo 2008 – 2015 a Par tir de Herra mientas de Minería de Datos

2015

View full text Add to dashboard Cite

ResumenActualmente, llevar a cabo acciones que reduzcan el impacto ambiental en todo tipo de procesos, tanto industriales, como comerciales o de la vida cotidiana, son preocupaciones pertinentes [1]being them social, scientific, cultural, economical or political. Environmental sensing and monitoring initiatives will be gratified by new Information System (IS. Con la llegada del big data, los grandes volúmenes de datos con una relación armónica de "gente -tierra -tiempo" entró gradualmente en el campo de la gestión de recursos naturales [2]. A diferencia de la cantidad de agua, dato que se puede expresar en términos precisos, la calidad es un atributo de múltiples parámetros. Este proceso arroja un volumen considerable de datos, que finalmente se almacenan en las tablas de datos, pero que no se traducen en información inteligible que describa el estado de la masa de agua. Los índices de calidad del agua -ICA-se convierten en una herramienta de fácil comunicación de la información científica de expertos al público en general [3]. Las anteriores razones motivan la exploración de las diferentes herramientas de minería de datos que día tras día hacen presencia en el mundo. Se logró acceder a los monitoreos realizados a la cuenca del río Bogotá durante el periodo comprendido entre 2007 -2015. Con esta información se realizó el cálculo de los Indicadores de Calidad del Agua para cada una de las estaciones monitoreadas y cada uno de los diferentes periodos estudiados, logrando, así, analizar y evaluar el espacio temporal de la calidad del río Bogotá.Palabras clave: calidad del agua, índice de calidad del agua, ICA, big data, minería de datos.

show abstract

“…The present European Space Agency archive, for example, already exceeds 1.5 PB (Nativi et al 2015). Data from the first three Sentinel satellites which are now coming online amounts to > 2.7 PB/year and will double when the second their second twin satellites will be operational (Dech et al).…”

Section: Introductionmentioning

confidence: 99%

Towards Time-Series Processing of VHR Satellite Images for Surface Deformation Detecton and Measurements

Stumpf

Delacourt

Malet

2015

Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci.

View full text Add to dashboard Cite

Commission III, WG III/5KEY WORDS: deformation measurement, image correlation, high-performance computing, satellite remote sensing ABSTRACT:The increasing fleet of VHR optical satellites (e.g. Pléiades, Spot 6/7, WorldView-3) offers new opportunities for the monitoring of surface deformation resulting from gravitational (e.g. glaciers, landslides) or tectonic forces (coseismic slip). Image correlation techniques have been developed and successfully employed in many geoscientific studies to quantify horizontal surface deformation at sub-pixel precision. The analysis of time-series, however, has received less attention in this context and there is still a lack of techniques that fully exploit archived image time-series and the increasing flux of incoming data. This study targets the development of an image correlation processing chain that relies on multiple pair-wise matching to exploit the redundancy of deformation measurements recorded at different view angles and over multiple time steps. The proposed processing chain is based on a hierarchical image correlation scheme that readily uses parallel processing. Since pair-wise matching can be performed independently the distribution of individual tasks is straightforward and yields to significant reductions of the overall runtime scaling with the available HPC infrastructure. We find that it is more convenient to implement experimental analytical tasks in a high-level programming language (i.e. R) and explore the use of parallel programming to compensate for performance bottlenecks of the interpreted language. Preliminary comparisons against maps from domain expert suggest that the proposed methodology is suitable to eliminate false detections and, thereby, enhances the reliability of correlation-based detections of surface deformation.

show abstract

Big Data challenges in building the Global Earth Observation System of Systems

Cited by 221 publications

References 15 publications

Building an Earth Observations Data Cube: lessons learned from the Swiss Data Cube (SDC) on generating Analysis Ready Data (ARD)

Building an Earth Observations Data Cube: lessons learned from the Swiss Data Cube (SDC) on generating Analysis Ready Data (ARD)

Análisis de la Calidad del Agua del Río Bogotá Dura nte el Periodo 2008 – 2015 a Par tir de Herra mientas de Minería de Datos

Towards Time-Series Processing of VHR Satellite Images for Surface Deformation Detecton and Measurements

Contact Info

Product

Resources

About