@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"
}