@Article{NevesBendKortFons:2016:CaStNo,
author = "Neves, Alana Kasahara and Bendini, Hugo do Nascimento and Korting,
Thales Sehn and Fonseca, Leila Maria Garcia",
affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto
Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de
Pesquisas Espaciais (INPE)} and {Instituto Nacional de Pesquisas
Espaciais (INPE)}",
title = "Combining time series features and data mining to detect land
cover patterns: a case study in northern Mato Grosso State,
Brazil",
journal = "Revista Brasileira de Cartografia",
year = "2016",
volume = "68",
number = "6",
pages = "1133--1142",
keywords = "Time Series, Data Mining, Land Cover, MODIS, S{\'e}ries
Temporais, Minera{\c{c}}{\~a}o de Dados, Cobertura da Terra,
MODIS.",
abstract = "One product of the MODIS sensor (Moderate Resolution Imaging
Spectroradiometer) is the EVI2 (Two Band Enhanced Vegetation
Index). It generates images of around 23 observations each year,
that combined can be interpreted as time series. This work
presents the results of using two types of features obtained from
EVI2 time series: basic and polar features. Such features were
employed in automatic classifi cation for land cover mapping, and
we compared the infl uence of using single pixel versus
object-based observations. The features were used to generate
classifi cation models using the Random Forest algorithm. Classes
of interest included Agricultural Area, Pasture and Forest.
Results achieved accuracies up to 91,70% for the northern region
of Mato Grosso state, Brazil. RESUMO: Um dos produtos do sensor
MODIS (Moderate Resolution Imaging Spectroradiometer) {\'e} o
EVI2 (Two Band Enhanced Vegetation Index). O sensor {\'e} capaz
de gerar cerca de 23 imagens da mesma regi{\~a}o por ano, que
combinadas podem ser interpretadas como uma s{\'e}rie temporal.
Esse trabalho apresenta os resultados do uso de dois tipos de
atributos obtidos de s{\'e}ries temporais de EVI2: atributos
b{\'a}sicos e polares. Tais atributos foram empregados na
classifi ca{\c{c}}{\~a}o autom{\'a}tica para o mapeamento de
cobertura da terra, e comparou-se a infl u{\^e}ncia da
utiliza{\c{c}}{\~a}o de pixels versus observa{\c{c}}{\~o}es
baseadas em objetos. Os atributos foram utilizados para gerar
modelos de classifi ca{\c{c}}{\~a}o usando o algoritmo Random
Forest. As classes de interesse inclu{\'{\i}}ram Agricultura
Anual, Pastagem e Floresta. Os resultados atingiram taxas de
acerto de at{\'e} 91,70% para a regi{\~a}o norte do Mato Grosso,
Brasil.",
issn = "0560-4613 and 1808-0936",
language = "en",
targetfile = "neves2016combining-1.pdf",
urlaccessdate = "21 maio 2024"
}