@MastersThesis{Souza:2021:AvMéEx,
author = "Souza, Felipe Carvalho de",
title = "Avalia{\c{c}}{\~a}o de m{\'e}tricas extra{\'{\i}}das de
s{\'e}ries temporais de imagens de sat{\'e}lite em
aplica{\c{c}}{\~o}es de aprendizado de m{\'a}quina",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2021",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2021-06-11",
keywords = "s{\'e}ries temporais de imagens de sat{\'e}lites, cubos de dados
de observa{\c{c}}{\~o}es da Terra, extra{\c{c}}{\~a}o de
m{\'e}tricas temporais, agrupamento de s{\'e}ries temporais,
classifica{\c{c}}{\~a}o de s{\'e}ries temporais, satellite
image time series, Earth observation data cubes, temporal metrics
extraction, time series clustering, time series classification.",
abstract = "As atividades humanas est{\~a}o impactando ecossistemas e
paisagens em todo o Planeta. Pesquisadores procuram entender como
esses impactos podem interferir na din{\^a}mica dos sistemas
terrestres, tais como regime de chuvas e mudan{\c{c}}as
clim{\'a}ticas. Uma das formas de quantificar parte desses
impactos {\'e} atrav{\'e}s de mapas de uso e cobertura da terra
gerados a partir de imagens de sensoriamento remoto. Com os
avan{\c{c}}os tecnol{\'o}gicos que tornam as
observa{\c{c}}{\~o}es da superf{\'{\i}}cie terrestre cada vez
mais precisas e consistentes temporalmente, pesquisadores
organizam esse grande volume de imagens de sat{\'e}lite como
cubos de dados de observa{\c{c}}{\~a}o da Terra, integrando a
dimens{\~a}o temporal desses dados. Uma das principais
aplica{\c{c}}{\~o}es de cubos de dados de observa{\c{c}}{\~a}o
da Terra {\'e} a an{\'a}lise de s{\'e}ries temporais de imagens
de sat{\'e}lites, um importante tema de pesquisa no campo de uso
e cobertura da Terra. S{\'e}ries temporais de imagens de
sat{\'e}lites t{\^e}m demonstrado potencial em detectar,
identificar e monitorar altera{\c{c}}{\~o}es em mudan{\c{c}}as
no uso e cobertura da terra. Com a facilidade da coleta de
s{\'e}ries temporais, provindas de diferentes sensores,
atrav{\'e}s de cubos de dados de observa{\c{c}}{\~a}o da Terra,
torna-se cada vez mais necess{\'a}ria a extra{\c{c}}{\~a}o de
informa{\c{c}}{\~o}es dessa grande massa de dados. Os
avan{\c{c}}os na {\'a}rea de intelig{\^e}ncia artificial
permitem que grandes volumes de dados sejam processados de forma
autom{\'a}tica a partir de modelos de aprendizado de
m{\'a}quina, o que permite que cientistas usem cada vez mais
dados para entender que mudan{\c{c}}as est{\~a}o ocorrendo em
nossos ecossistemas. V{\'a}rias abordagens que usam aprendizado
de m{\'a}quina para a gera{\c{c}}{\~a}o de mapas de uso e
cobertura da terra atrav{\'e}s de s{\'e}ries temporais foram
desenvolvidas nos {\'u}ltimos anos. Duas delas s{\~a}o objeto de
investiga{\c{c}}{\~a}o nesta disserta{\c{c}}{\~a}o: a
abordagem que usa s{\'e}ries temporais completas e a abordagem
que usa m{\'e}tricas derivadas de s{\'e}ries temporais. Nesta
pesquisa, s{\~a}o conduzidos tr{\^e}s estudos de casos com
diferentes aplica{\c{c}}{\~o}es para comparar essas abordagens.
No primeiro objetivou-se avaliar as amostras de uso e cobertura da
terra usando o m{\'e}todo de agrupamento de Mapas
Auto-Organiz{\'a}veis. No segundo estudo de caso, foi realizada
uma classifica{\c{c}}{\~a}o de corpos d'{\'a}gua em que se
objetivou avaliar os desempenhos entre as abordagens de
s{\'e}ries temporais completas e de m{\'e}tricas. Por fim, no
{\'u}ltimo estudo de caso, foi realizada uma
classifica{\c{c}}{\~a}o de uso e cobertura da terra a partir das
duas abordagens e objetivou-se avaliar os respectivos desempenhos
computacionais e de acur{\'a}cia na classifica{\c{c}}{\~a}o. Os
resultados mostram que a abordagem de m{\'e}tricas de s{\'e}ries
temporais produzem mapas de uso e cobertura com qualidade igual ou
superior aos gerados usando s{\'e}ries temporais completas.
Al{\'e}m de melhores resultados, o tempo de processamento {\'e}
um fator determinante para o uso da abordagem de m{\'e}tricas de
s{\'e}ries temporais. ABSTRACT: Human activities are impacting
ecosystems and landscapes all over the planet. Researchers seek to
understand how these impacts can interfere with the dynamics of
earth systems, such as rainfall regime and climate change. One way
to quantify part of these impacts is through land use and land
cover maps generated from remote sensing images. Through
technological advances that make observations of the Earths
surface increasingly accurate and temporally consistent,
researchers are organizing this large volume of satellite imagery
as Earth observation data cubes, integrating the temporal
dimension of this data. One of the main applications of Earth
observation data cubes is the analysis of satellite image time
series, an important research topic in the field of land use and
land cover. Time series of satellite images have shown potential
in detecting, identifying, and monitoring changes in land use and
land cover. Given the ease of collecting time series from
different sensors through Earth observation data cubes, it is
becoming increasingly necessary to extract information from this
large mass of data. Advances in artificial intelligence allow
large volumes of data to be processed automatically from machine
learning models, allowing scientists to use increasingly more data
to understand what changes are taking place in our ecosystems.
Several approaches that use machine learning for the generation of
land use and land cover maps through time series have been
developed in recent years. Two of these are investigated in this
work: the approach that uses complete time series and the approach
that uses metrics derived from time series. In this research, the
authors conducted three case studies with different applications
to compare these approaches. In the first one, it was aimed to
evaluate the land use and land cover samples using the
Self-Organizing Maps clustering method. For the second case study,
the aim was to evaluate the performance of the complete time
series and metric approaches in classifying water bodies. Finally,
in the last case study, the aim was to evaluate the respective
computational performance and accuracy in land use and land cover
classification from the two approaches. The results show that the
time series metrics approach produces maps of land use and cover
with equal or higher quality than those generated using complete
time series. Besides better results, processing time is a
determining factor for using the time series metrics approach.",
committee = "K{\"o}rting, Thales Sehn (presidente) and Gomes, Karine Reis
Ferreira (orientadora) and Santos, Rafael Duarte Coelho dos
(orientador) and Chaves, Michel Eust{\'a}quio Dantas and Silva,
Diego Furtado",
englishtitle = "Evaluation of metrics extracted from satellite image time series
in machine learning applications",
language = "pt",
pages = "90",
ibi = "8JMKD3MGP3W34T/44TSDCA",
url = "http://urlib.net/ibi/8JMKD3MGP3W34T/44TSDCA",
targetfile = "publicacao.pdf",
urlaccessdate = "31 maio 2024"
}