@PhDThesis{Maretto:2020:DeLeBa,
author = "Maretto, Raian Vargas",
title = "Automating land cover change detection: a deep learning based
approach to map deforested areas",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2020",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2020-03-20",
keywords = "deep learning, machine learning, deforestation mapping,
convolutional neural networks, deep neural networks, aprendizado
de m{\'a}quina, mapeamento de desmatamento, redes neurais
convolucionais, redes neurais profundas.",
abstract = "Accurate maps are an important tool for informing effective
deforestation containment policies. The main existing mapping
approaches to produce these maps are largely manual, requiring
significant effort by trained experts. In recent years, Deep
Learning (DL) have emerged becoming the state-of-the-art in
Machine Learning and Pattern Recognition. Despite its
effectiveness, the computational concepts behind these methods are
very complex, as well as the computational platforms available to
implement it. This complexity makes it difficult for a Remote
Sensing analyst without a strong programming background to perform
image analysis using those methods. Furthermore, despite DL have
been successfully applied in many Remote Sensing studies, most of
those have focused on the detection of very specific urban targets
in high-resolution imagery, due to the high availability of
reference and benchmark datasets with these characteristics. The
lower number of studies on the application of DL to medium and
low-resolution imagery and to another types of targets have been
attributed, among other reasons, to the lack of reference and
benchmark datasets for these types of images. Within this context,
this thesis has three main contributions. First, we developed
DeepGeo, a toolbox that provides modern DL algorithms for Remote
Sensing image classification and analysis. DeepGeo focuses on
providing easy-to-use and extensible methods, making it easier to
those analysts without strong programming skills to use those DL
methods. It is distributed as free and open source package and is
available at https://github.com/rvmaretto/deepgeo. Second, we
present the PRODES-Vision collection of dataset, a collection of
reference dataset of deforested areas, based on PRODES
deforestation maps, to train Deep Neural Networks, as well as a
methodology to the generation of reference datasets based on
thematic maps. We believe that these datasets would encourage the
development of new methods for automatically map Land Use and Land
Cover changes. And finally, we propose a fully automatic mapping
approach based on spatio-temporal convolutional neural networks
aiming to reduce the effort of mapping deforested areas.
Furthermore, we propose two spatio-temporal variations of the
U-Net architecture, which make it possible to incorporate both
spatial and temporal contexts. Using a real-world dataset, we show
that our method outperforms a traditional UNet architecture,
achieving approximately 95% accuracy. We also demonstrate that our
preprocessing protocol reduces the impact of noise in the training
dataset. To demonstrate the scalability of our method, it was
applied to map deforestation over the entire Par{\'a} State,
achieving approximately 94% overall accuracy. And finally, to
demonstrate its applicability to another areas, it was applied to
a region of the Brazilian Cerrado, achieving approximately 91%
overall accuracy. RESUMO: Mapas precisos constituem uma importante
ferramenta para fornecer informa{\c{c}}{\~o}es para
pol{\'{\i}}ticas efetivas de combate ao desmatamento. Os
principais m{\'e}todos existentes para este tipo de mapeamento
s{\~a}o manuais, demandando grande esfor{\c{c}}o de
especialistas treinados. Nos {\'u}ltimos anos, m{\'e}todos de
Deep Learning (DL) se tornaram o estado-da-arte em Machine
Learning e Reconhecimento de Padr{\~o}es. Por{\'e}m, apesar da
efic{\'a}cia destes m{\'e}todos, eles s{\~a}o
constitu{\'{\i}}dos de conceitos computacionais complexos, assim
como as plataformas dispon{\'{\i}}veis para
implementa{\c{c}}{\~a}o dos mesmos. Esta complexidade torna mais
dif{\'{\i}}cil para um analista de Sensoriamento Remoto sem um
conhecimento profundo em programa{\c{c}}{\~a}o executar
classifica{\c{c}}{\~o}es e an{\'a}lises baseadas nestes
m{\'e}todos. Al{\'e}m disso, apesar dos m{\'e}todos de DL terem
sido aplicados com sucesso em muitos estudos de Sensoriamento
Remoto, a maioria destes estudos foca na detec{\c{c}}{\~a}o de
alvos urbanos muito espec{\'{\i}}ficos em imagens de alta
resolu{\c{c}}{\~a}o, devido {\`a} grande disponibilidade de
datasets de refer{\^e}ncia e benchmarks com estas
caracter{\'{\i}}sticas. O baixo n{\'u}mero de estudos aplicando
m{\'e}todos de DL {\`a} imagens de m{\'e}dia e baixa
resolu{\c{c}}{\~a}o espacial e {\`a} outros tipos de alvos tem
sido atribu{\'{\i}}do, entre outras raz{\~o}es, {\`a} falta de
datasets de refer{\^e}ncia e benchmarks para para este tipo de
imagens. Neste contexto, esta tese tem tr{\^e}s principais
contribui{\c{c}}{\~o}es. Primeiramente, desenvolvemos a
plataforma DeepGeo, que disp{\~o}e de algoritmos modernos de DL
para a classifica{\c{c}}{\~a}o e an{\'a}lise de imagens de
Sensoriamento Remoto. A plataforma DeepGeo foca em fornecer
m{\'e}todos extens{\'{\i}}veis e f{\'a}ceis de usar,
facilitando assim que analistas sem um profundo conhecimento em
programa{\c{c}}{\~a}o usem m{\'e}todos de DL em suas
an{\'a}lises. A plataforma {\'e} distribu{\'{\i}}da como um
pacote gratuito e de c{\'o}digo aberto, dispon{\'{\i}}vel em
https://github.com/rvmaretto/deepgeo. Segundo, apresentamos a
cole{\c{c}}{\~a}o de datasets PRODES-Vision, uma
cole{\c{c}}{\~a}o de datasets de refer{\^e}ncia de {\'a}reas
desmatadas, baseado nos mapas de desmatamento fornecidos pelo
programa PRODES, para o treinamento de Redes Neurais Profundas.
Acreditamos que estes datasets podem encorajar o desenvolvimento
de novos m{\'e}todos para a automatiza{\c{c}}{\~a}o do
mapeamento de mudan{\c{c}}as no uso e cobertura da terra. Por
fim, visando reduzir o esfor{\c{c}}o do mapeamento de {\'a}reas
desmatadas, propomos uma abordagem totalmente autom{\'a}tica
baseada em Redes Neurais Convolucionais espa{\c{c}}o-temporais.
Nesta abordagem, propomos duas varia{\c{c}}{\~o}es
espa{\c{c}}o-temporais da arquitetura U-Net, que possibilita
incorporar ambos os contextos espacial e temporal. Usando um
dataset real, mostramos que nosso m{\'e}todo supera a U-Net
tradicional, conseguindo uma acur{\'a}cia de aproximadamente 95%.
Demonstramos tamb{\'e}m que o protocolo de pr{\'e}-processamento
proposto reduz o impacto de ru{\'{\i}}dos nos datasets de
treinamento. Para demonstrar a escalabilidade de nosso
m{\'e}todo, este foi aplicado ao mapeamento do desmatamento em
todo o estado do Par{\'a}, com uma acur{\'a}cia aproximada de
94%. Finalmente, para demonstrar a aplicabilidade para outras
{\'a}reas, o mesmo foi aplicado {\`a} uma {\'a}rea do Cerrado
Brasileiro, obtendo uma acur{\'a}cia de aproximadamente 91%.",
committee = "Sant'Anna, Sidnei Jo{\~a}o Siqueira (presidente) and Fonseca,
Leila Maria Garcia (orientadora) and K{\"o}rting, Thales Sehn
(orientador) and Santos, Rafael Duarte Coelho dos and Negri,
Rog{\'e}rio Galante and Jacobs, Nathan",
englishtitle = "Mapeamento autom{\'a}tico de mudan{\c{c}}as na cobertura da
terra: uma abordagem baseada em deep learning para mapeamento de
{\'a}reas desmatadas",
language = "en",
pages = "80",
ibi = "8JMKD3MGP3W34R/42L55PP",
url = "http://urlib.net/ibi/8JMKD3MGP3W34R/42L55PP",
targetfile = "publicacao.pdf",
urlaccessdate = "24 abr. 2024"
}