A computational architecture to assist researchers in aiming for reproducibility and replicability in deep learning experiments for estimating socioeconomic indicators based on satellite images (2025)
- Authors:
- Autor USP: MENEGUZZI, LEANDRO CÉSAR - EP
- Unidade: EP
- Sigla do Departamento: PCS
- Subjects: APRENDIZAGEM PROFUNDA; SATÉLITES; INDICADORES SOCIOECONÔMICOS; APRENDIZADO COMPUTACIONAL
- Language: Inglês
- Abstract: A inovação tecnológica e o progresso científico levaram à geração contínua de dados em volume e variedade sem precedentes, aumentando significativamente a complexidade da análise, experimentação e compartilhamento. Nesse contexto, a reprodutibilidade — alcançar resultados idênticos usando o mesmo código e dados — tornou-se um requisito crítico para verificar a qualidade e a confiabilidade da pesquisa científica, bem como para facilitar sua disseminação, reutilização e desenvolvimento. Esta dissertação propõe uma arquitetura computacional para auxiliar pesquisadores no desenvolvimento e publicação de experimentos de aprendizado profundo reprodutíveis, especificamente voltados para a estimativa de indicadores socioeconômicos com base em imagens de satélite. Ao integrar ferramentas modernas como DVC, Git, Docker, MLflow, Apache Airflow e Amazon SageMaker, a arquitetura proposta fornece uma solução modular e escalável que garante rastreabilidade total, desde a aquisição de dados até a avaliação do modelo. Nesta dissertação, o PARSEC fornece tanto o ambiente de pesquisa quanto os desafios práticos que motivaram o desenvolvimento da estrutura. O projeto se concentra na integração de indicadores socioeconômicos com dados ambientais e de sensoriamento remoto para avaliar os impactos de áreas protegidas. Nesse contexto, a necessidade de experimentos de aprendizado profundo reprodutíveis e rastreáveis tornou-se evidente, particularmente no experimento Nexus no Brasil, que serviu como principal estudo de caso para a validação da metodologia proposta. Os resultados do programa de mestrado indicam que a estrutura integrada melhorou a rastreabilidade dos dados, a consistência do ambiente e a documentação dos experimentos. A estrutura alcançou resultados reprodutíveis, com um R² de aproximadamente 0,74na estimativa de rendimento. Os pesquisadores também forneceram feedback positivo sobre sua aplicabilidade e potencial para implementação mais ampla.
- Imprenta:
- Data da defesa: 26.06.2025
-
ABNT
MENEGUZZI, Leandro César. A computational architecture to assist researchers in aiming for reproducibility and replicability in deep learning experiments for estimating socioeconomic indicators based on satellite images. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-14012026-123217/pt-br.php. Acesso em: 25 jan. 2026. -
APA
Meneguzzi, L. C. (2025). A computational architecture to assist researchers in aiming for reproducibility and replicability in deep learning experiments for estimating socioeconomic indicators based on satellite images (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3141/tde-14012026-123217/pt-br.php -
NLM
Meneguzzi LC. A computational architecture to assist researchers in aiming for reproducibility and replicability in deep learning experiments for estimating socioeconomic indicators based on satellite images [Internet]. 2025 ;[citado 2026 jan. 25 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-14012026-123217/pt-br.php -
Vancouver
Meneguzzi LC. A computational architecture to assist researchers in aiming for reproducibility and replicability in deep learning experiments for estimating socioeconomic indicators based on satellite images [Internet]. 2025 ;[citado 2026 jan. 25 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-14012026-123217/pt-br.php
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
