@InProceedings{Brito:2023:InÍnEs,
               author = "Brito, Pedro Vin{\'{\i}}cius da Silva",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)}",
                title = "Integra{\c{c}}{\~a}o de {\'{\i}}ndices espectrais e produtos 
                         meteorol{\'o}gicos na classifica{\c{c}}{\~a}o de uso e 
                         cobertura da terra usando s{\'e}ries temporais de imagens e 
                         Machine Learning",
            booktitle = "Resumos...",
                 year = "2023",
               editor = "Santos, Rafael Duarte Coelho dos and Calheiros, Alan James Peixoto 
                         and J{\'u}nior, Valdivino Alexandre de Santiago",
         organization = "Workshop dos Cursos de Computa{\c{c}}{\~a}o Aplicada do INPE, 
                         22. (WORCAP)",
            publisher = "Instituto Nacional de Pesquisas Espaciais (INPE)",
              address = "S{\~a}o Jos{\'e} dos Campos",
             abstract = "As mudan{\c{c}}as de uso e cobertura da Terra (Land Use and Land 
                         Cover, LULC) impulsionam diferentes regi{\~o}es do planeta a 
                         climas extremos, extin{\c{c}}{\~a}o de esp{\'e}cies, 
                         diminui{\c{c}}{\~a}o de servi{\c{c}}os ecossist{\^e}micos e 
                         degrada{\c{c}}{\~a}o de recursos naturais. Uma maneira de 
                         entender o tamanho desses impactos {\'e} realizando uma 
                         quantifica{\c{c}}{\~a}o por meio de informa{\c{c}}{\~o}es 
                         obtidas a partir de produtos da superf{\'{\i}}cie terrestre, 
                         oriundas de imagens de sat{\'e}lite. {\'E} poss{\'{\i}}vel 
                         calibrar suas imagens para comparar medidas de uma mesma {\'a}rea 
                         em per{\'{\i}}odos de tempo diferentes, por meio de s{\'e}ries 
                         temporais extra{\'{\i}}das de uma sequ{\^e}ncia de imagens 
                         organizadas na forma de cubos de dados de observa{\c{c}}{\~a}o 
                         da Terra (Earth Observation, EO). O uso de {\'{\i}}ndices 
                         espectrais e vari{\'a}veis meteorol{\'o}gicas podem identificar 
                         padr{\~o}es finos de classes de LULC espec{\'{\i}}ficos. Assim, 
                         esse trabalho tem o objetivo de avaliar o uso de diferentes 
                         {\'{\i}}ndices espectrais de produtos meteorol{\'o}gicos para 
                         melhorar a acur{\'a}cia de mapas de LULC usando s{\'e}ries 
                         temporais de imagens de sat{\'e}lite (Satellite Image Time 
                         Series, SITS) e algoritmos de Aprendizado de M{\'a}quina (Machine 
                         learning, ML) e Aprendizado Profundo (Deep Learning, DL). Para 
                         isso, prop{\~o}e-se uma metodologia para integrar cubos de dados 
                         de EO e produtos meteorol{\'o}gicos na classifica{\c{c}}{\~a}o 
                         de SITS. Para avaliar os resultados, ser{\~a}o gerados mapas de 
                         LULC para o munic{\'{\i}}pio de Petrolina, Pernambuco, obtidos a 
                         partir de diferentes combina{\c{c}}{\~o}es de {\'{\i}}ndices 
                         espectrais e dados meteorol{\'o}gicos. Para alcan{\c{c}}ar esse 
                         objetivo, o trabalho ser{\'a} dividido em tr{\^e}s etapas: (1) 
                         integra{\c{c}}{\~a}o dos dados meteorol{\'o}gicos em cubo de 
                         dados EO; (2) gera{\c{c}}{\~a}o dos mapas de LULC; e (3) 
                         avalia{\c{c}}{\~a}o dos mapas por meio das melhores 
                         pr{\'a}ticas metodol{\'o}gicas e trajet{\'o}rias anuais entre 
                         classe usando diagrama aluvial. Como resultados preliminares, os 
                         experimentos realizados para validar a metodologia proposta 
                         mostraram que os mapas classificados apenas com NDVI apresentaram 
                         maior confus{\~a}o entre as classes {\'A}rea urbana e Solo 
                         exposto em compara{\c{c}}{\~a}o aos outros experimentos, 
                         principalmente no ano de 2017. Os mapas usando NDVI, EVI e bandas 
                         RGB, identificou melhor regi{\~o}es de Agricultura tanto com o RF 
                         quanto o TempCNN. Os mapas gerados com NDVI, temperatura e 
                         precipita{\c{c}}{\~a}o, apresentaram melhor 
                         separa{\c{c}}{\~a}o entre as classes Solo exposto e {\'A}rea 
                         urbana, por{\'e}m, maior confus{\~a}o entre as classes Solo 
                         exposto e Vegeta{\c{c}}{\~a}o de caatinga, em 
                         compara{\c{c}}{\~a}o aos outros experimentos. A partir dos 
                         resultados, espera-se integrar os {\'{\i}}ndices espectrais e 
                         vari{\'a}veis meteorol{\'o}gicas apresentados para a 
                         classifica{\c{c}}{\~a}o de LULC a partir de SITS e algoritmos de 
                         ML e DL, para o munic{\'{\i}}pio de Petrolina, Pernambuco. 
                         Al{\'e}m disso, avaliar os mapas de uso e cobertura da terra 
                         gerados por meio de combina{\c{c}}{\~o}es dos mesmos.",
  conference-location = "S{\~a}o Jos{\'e} dos Campos",
      conference-year = "11-15 set. 2023",
             language = "pt",
         organisation = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                  ibi = "8JMKD3MGPDW34P/4A4HHR5",
                  url = "http://urlib.net/ibi/8JMKD3MGPDW34P/4A4HHR5",
           targetfile = "Brito_integracao.pdf",
        urlaccessdate = "12 maio 2024"
}