@MastersThesis{Adeu:2021:ClSaIm,
author = "Adeu, Rodrigo de Sales da Silva",
title = "Clustering satellite image time series data based on growing
self-organizing maps",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2021",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2020-07-31",
keywords = "growing self-organized map, land use and land cover, machine
learning, clustering, unsupervised learning, uso e cobertura da
Terra, aprendizado de m{\'a}quinas, aprendizado n{\~a}o
supervisionado.",
abstract = "Mapping Earth land use and land cover is crucial to understand
agricultural dynamics. Recently, analysis of time series extracted
from Earth observation satellite images has been widely used to
produce land use and land cover information. In time series
analysis, clustering is a common technique performed to discover
patterns on data sets. In this work, we evaluate the Growing
Self-Organizing Maps (GSOMs) algorithm for clustering satellite
image time series and compare it with Self-Organizing Maps (SOMs)
algorithm. This paper presents two case studies using satellite
image time series associated to samples of land use and land cover
classes, highlighting the advantage of providing a neutral factor
(called spread factor) as a parameter for GSOM, instead of the SOM
grid size. We first compare GSOM with traditional SOM, analyzing
the resultant network topology, the algorithm running time, the
cluster accuracy and the neighborhood maintenance. In the second
case study, we changed the dataset, increasing the number of
samples and repeating the analysis. We finish concluding that it
is possible to cluster satellite image time series with GSOM,
avoiding the SOM grid size additional parameter. Besides that,
GSOM keeps most of SOM properties and can be considered as a
suitable alternative to SOM. RESUMO: Mapear o uso e a cobertura da
Terra {\'e} crucial para entender a din{\^a}mica
agr{\'{\i}}cola. Recentemente, a an{\'a}lise de s{\'e}ries
temporais extra{\'{\i}}das de imagens de sat{\'e}lite de
observa{\c{c}}{\~a}o da Terra tem sido amplamente utilizada para
produzir informa{\c{c}}{\~o}es sobre uso e cobertura da terra.
Na an{\'a}lise de s{\'e}ries temporais, o clustering {\'e} uma
t{\'e}cnica utilizada para descobrir padr{\~o}es em conjuntos de
dados. Neste trabalho, avaliamos o algoritmo GSOM (Growing
Self-Organizing Maps) para agrupar s{\'e}ries temporais de
imagens de sat{\'e}lite e o comparamos com o algoritmo SOM
(Self-Organizing Maps). Este artigo apresenta um estudo de caso
utilizando s{\'e}ries temporais de imagens de sat{\'e}lite
associadas a amostras de uso da terra e classes de cobertura,
destacando a vantagem de fornecer um fator neutro (chamado spread
factor) como par{\^a}metro para o GSOM, no lugar do tamanho da
grade do SOM. N{\'o}s iniciamos comparando o GSOM com o SOM
tradicional, analisando a topologia da rede resultante, o tempo de
execu{\c{c}}{\~a}o dos algoritmos, a efic{\'a}cia dos clusters
e a manuten{\c{c}}{\~a}o da vizinhan{\c{c}}a. No segundo estudo
de caso, n{\'o}s modificamos o conjunto de dados, aumentando a
quantidade de amostras e repetindo a an{\'a}lise. N{\'o}s
terminamos concluindo que {\'e} poss{\'{\i}}vel fazer o
clustering de s{\'e}ries temporais de imagens de sat{\'e}lite
utilizando o GSOM e evitando o par{\^a}metro adicional do tamanho
da grade requerido pelo SOM. Al{\'e}m disso, o GSOM mant{\'e}m a
maioria das propriedades do SOM, e pode ser considerado como uma
alternativa adequada ao SOM.",
committee = "Quiles, Marcos Gon{\c{c}}alves (presidente) and Ferreira, Karine
Reis (orientadora) and Andrade Neto, Pedro Ribeiro de (orientador)
and Picoli, Michelle Cristina Araujo and Romani, Luciana Alvim
Santos",
englishtitle = "Clustering de s{\'e}ries temporais de imagens de sat{\'e}lite
utilizando growing self-organizing maps",
language = "en",
pages = "47",
ibi = "8JMKD3MGP3W34R/4325CC8",
url = "http://urlib.net/ibi/8JMKD3MGP3W34R/4325CC8",
targetfile = "publicacao.pdf",
urlaccessdate = "20 maio 2024"
}