@PhDThesis{Zanotta:2014:MeAdBa,
               author = "Zanotta, Daniel Capella",
                title = "Uma metodologia adaptativa baseada em objetos para 
                         detec{\c{c}}{\~a}o semi-autom{\'a}tica de desmatamento na 
                         Amaz{\^o}nia por imagens de sensoriamento remoto",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2014",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2014-04-15",
             keywords = "detec{\c{c}}{\~a}o de mudan{\c{c}}as, transfer{\^e}ncia de 
                         aprendizado, desflorestamento, change detection, transer learning, 
                         deforestation.",
             abstract = "Nesta tese {\'e} proposta uma nova metodologia para 
                         detec{\c{c}}{\~a}o semisupervisionada de desflorestamento na 
                         Amaz{\^o}nia brasileira. Atualmente o acompanhamento {\'e} 
                         realizado pelo Sistema de Monitoramento do Desmatamento na 
                         Amaz{\^o}nia Legal (PRODES) por detec{\c{c}}{\~a}o visual de 
                         incrementos a partir de imagens da s{\'e}rie de sat{\'e}lites 
                         \emph{Landsat}. O procedimento atualmente adotado produz 
                         resultados com precis{\~a}o adequada, mas se baseia em regras 
                         subjetivas de cada int{\'e}rprete e possui heterogeneidade 
                         espa{\c{c}}o-temporal que prejudica a uniformidade do mapeamento. 
                         Al{\'e}m disso, a metodologia por interpreta{\c{c}}{\~a}o 
                         visual demanda tempo e custo financeiro elevados no processo. 
                         Buscando resultados uniformes e ao mesmo tempo consistentes com a 
                         s{\'e}rie temporal j{\'a} existente, a t{\'e}cnica proposta 
                         nesta tese {\'e} baseada em objetos e agrega princ{\'{\i}}pios 
                         de transfer{\^e}ncia de aprendizado (\emph{transfer learning}) 
                         atrav{\'e}s de uma regra de decis{\~a}o adaptativa. A 
                         segmenta{\c{c}}{\~a}o das imagens {\'e} feita por um algoritmo 
                         do tipo crescimento de regi{\~o}es desenvolvido especialmente 
                         para atender as necessidades do problema do desmatamento. A 
                         classifica{\c{c}}{\~a}o {\'e} feita a partir de uma 
                         an{\'a}lise por vetor de mudan{\c{c}}a (\emph{change vector 
                         analysis}) em coordenadas esf{\'e}ricas com o emprego de 
                         tr{\^e}s atributos que melhor representam o desmatamento. Dados 
                         de refer{\^e}ncia para uma {\'a}rea controlada (dom{\'{\i}}nio 
                         fonte) s{\~a}o utilizados com o objetivo de produzir uma regra 
                         efetiva de decis{\~a}o espec{\'{\i}}fica para um cen{\'a}rio 
                         de treinamento. Ap{\'o}s isso, situa{\c{c}}{\~o}es distintas e 
                         sem disponibilidade de dados de refer{\^e}ncia (dom{\'{\i}}nios 
                         alvo) s{\~a}o tamb{\'e}m efetivamente classificadas a partir da 
                         adapta{\c{c}}{\~a}o da regra de decis{\~a}o determinada 
                         originalmente para o dom{\'{\i}}nio fonte. An{\'a}lises 
                         quantitativas de experimentos realizados em diferentes {\'a}reas 
                         da Amaz{\^o}nia comprovam a adequa{\c{c}}{\~a}o da metodologia 
                         proposta. Quando comparados com os dados do PRODES, os resultados 
                         da metodologia mostram algumas varia{\c{c}}{\~o}es nas taxas 
                         para cada ano particular, mas indicam boa consist{\^e}ncia quando 
                         considerados de forma acumulada. ABSTRACT: This thesis proposes a 
                         new framework for semi-automatic detection of clear cut 
                         deforestation in the Amazon rainforest. Currently, monitoring is 
                         performed by the System for Deforestation Monitoring in the Legal 
                         Amazon (PRODES) using visual interpretation of increments 
                         recognized from Landsat images. The manual process produces 
                         results with appropriate precision, but is based on subjective 
                         rules of each interpreter and has spatial-temporal heterogeneity 
                         difficult to be well understood and fixed. Furthermore, the visual 
                         interpretation method is time consuming and expensive. Aiming at 
                         continuity and consistency of the time series periodically 
                         produced by PRODES, the technique proposed in this thesis is based 
                         on objects and adds principles of transfer learning through an 
                         adaptive decision rule. The segmentation process is performed by a 
                         region growing algorithm specially developed to satisfy the needs 
                         of the problem to be solved. The classification is prformed by the 
                         change vector analysis in spherical coordinates using three 
                         attributes which best represent the problem. Reference data for a 
                         controlled area (source domain) are used to produce an effective 
                         decision rule specifically designed for the training problem. 
                         After that, distinct areas with no reference data (target domains) 
                         are also effectively classified by adaptation of the decision rule 
                         originally designed for the source domain. Quantitative analysis 
                         of experiments in different areas of the Amazon shows the adequacy 
                         of the proposed methodology. When compared to PRODES data, the 
                         results demonstrate some variations in the estimated rates for 
                         particular years, but show good consistency when considered 
                         cumulatively.",
            committee = "Fonseca, Leila Maria Garcia (presidente) and Shimabukuro, Yosio 
                         Edemir (orientador) and Arai, Eg{\'{\i}}dio and Vieira, Carlos 
                         Ant{\^o}nio de Oliveira and Gon{\c{c}}alves, Glauber Acunha",
         englishtitle = "An object based adaptive approach for semi-automatic detection of 
                         amazon deforestation",
             language = "pt",
                pages = "139",
                  ibi = "8JMKD3MGP5W34M/3G3F7H5",
                  url = "http://urlib.net/ibi/8JMKD3MGP5W34M/3G3F7H5",
           targetfile = "publicacao.pdf",
        urlaccessdate = "27 abr. 2024"
}