@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"
}