1. Identificação | |
Tipo de Referência | Tese ou Dissertação (Thesis) |
Site | mtc-m21c.sid.inpe.br |
Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S |
Identificador | 8JMKD3MGP3W34R/42PGNM8 |
Repositório | sid.inpe.br/mtc-m21c/2020/06.30.14.25 |
Última Atualização | 2021:04.29.14.43.45 (UTC) administrator |
Repositório de Metadados | sid.inpe.br/mtc-m21c/2020/06.30.14.25.45 |
Última Atualização dos Metadados | 2022:04.03.22.30.05 (UTC) administrator |
Chave Secundária | INPE-18359-TDI/3023 |
Chave de Citação | SánchezIpia:2021:DeDeUs |
Título | Detection of deforestation using remote sensing time series analysis |
Título Alternativo | Detecção de desmatamento usando análise de series de tempo de sensoriamento remoto na Amazônia brasileira |
Curso | CST-CST-DIPGR-INPE-MCTI-GOV-BR |
Ano | 2021 |
Data | 2020-06-26 |
Data de Acesso | 05 maio 2024 |
Tipo da Tese | Tese (Doutorado em Ciência do Sistema Terrestre) |
Tipo Secundário | TDI |
Número de Páginas | 83 |
Número de Arquivos | 1 |
Tamanho | 28773 KiB |
|
2. Contextualização | |
Autor | Sánchez Ipia, Alber Hamersson |
Grupo | CST-CST-DIPGR-INPE-MCTI-GOV-BR |
Banca | Escada, Maria Isabel Sobral (presidente) Camara Neto, Gilberto (orientador) Andrade Neto, Pedro Ribeiro de (orientador) Carneiro, Tiago Garcia de Senna Coutinho, Alexandre Camargo |
Endereço de e-Mail | albhasan@gmail.com |
Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) |
Cidade | São José dos Campos |
Histórico (UTC) | 2020-06-30 14:27:16 :: alber.ipia@inpe.br -> pubtc@inpe.br :: 2020-07-03 13:36:19 :: pubtc@inpe.br -> alber.ipia@inpe.br :: 2020-08-17 13:30:09 :: alber.ipia@inpe.br -> pubtc@inpe.br :: 2020-08-17 15:23:50 :: pubtc@inpe.br -> alber.ipia@inpe.br :: 2020-08-24 12:26:51 :: alber.ipia@inpe.br -> pubtc@inpe.br :: 2020-09-08 14:51:51 :: pubtc@inpe.br -> alber.ipia@inpe.br :: 2020-09-08 15:27:34 :: alber.ipia@inpe.br -> pubtc@inpe.br :: 2020-09-10 11:47:08 :: pubtc@inpe.br -> alber.ipia@inpe.br :: 2020-09-17 17:20:06 :: alber.ipia@inpe.br -> administrator :: 2021-01-15 00:48:20 :: administrator -> pubtc@inpe.br :: 2021-04-30 17:58:38 :: pubtc@inpe.br -> simone :: 2021-04-30 18:13:51 :: simone :: -> 2021 2021-05-04 14:41:15 :: simone -> administrator :: 2021 2022-04-03 22:30:05 :: administrator -> :: 2021 |
|
3. Conteúdo e estrutura | |
É a matriz ou uma cópia? | é a matriz |
Estágio do Conteúdo | concluido |
Transferível | 1 |
Palavras-Chave | Floresta Amazônica desmatamento aprendizagem de máquina sensoriamento remoto Amazon forest deforestation machine learning remote sensing |
Resumo | The Amazon rainforest plays an important role in the global carbon and water cycles, having direct influence on Earths atmosphere and it suffers the consequences of the current climate crisis. Deforestation monitoring systems are a source of information on the forest condition for the scientific community, policy makers, and the general public. In this thesis, we identified three areas on which such systems could be improved: data processing, information extraction, and information distribution. Processing data of Earth observation satellites is subject to atmospheric noise. In particular, clouds obstruct the surveying of the Amazon rainforest. They introduce discontinuities on the the spatial and temporal patterns, which reduce the ability of analyst to extract information about features on the surface and reducing the reliability of the information obtained. Any information on Earths surface in our particular case, information on Land Use and Land Cover change increases its value through sharing, validation, and reuse in broader communities. Regarding data processing, we tested several cloud detection algorithms on Sentinel-2 imagery and we found that Fmask4 provides the best performance under frequent cloud coverage. With this knowledge, we proceed to extract deforestation information using time series of the Landsat 8 and Sentinel-2 satellites, applying machine learning techniques of Deep Learning and Random Forest, respectively. We obtained the best results by using time series of Sentinel-2 images processed with Random Forest. Finally, we demonstrated the best way to provide scientists with access to massive amounts or Earth observation data and processing tools is through collaborative analysis environments offered through Internet, such as Jupyter notebooks. RESUMO: carbono e água, tendo influência direta na atmosfera terrestre e sofrendo as consequências da atual crise climática. Daí a importância dos sistemas de monitoramento de desmatamento como fonte de informação sobre a condição da floresta para comunidade científica, formadores de políticas e o público em geral. Nós identificamos três áreas nas quais esses sistemas poderiam ser aprimorados: processamento de dados, extração e distribuição de informações. O processamento de dados dos satélites de observação da Terra está sujeito ao ruído atmosférico; as nuvens, em particular, dificultam o mapeamento da floresta Amazônica. As nuvens introduzem descontinuidades nos padrões espaciais e temporais, o que reduz a capacidade dos analistas de extrair informações sobre os elementos da superfície, e também reduz a confiabilidade das informações obtidas. Qualquer informação sobre superfície da Terra, em nosso caso particular, informações sobre mudança no uso e cobertura, incrementa seu valor por meio do compartilhamento, validação e reutilização em comunidades mais amplas. Em relação ao processamento dos dados, testamos vários algoritmos de detecção de nuvens e descobrimos que o Fmask4 oferece o melhor desempenho em imagens de satélite com frequente cobertura de nuvens. Com esse conhecimento, procedemos à extração de informações sobre desmatamento usando séries temporais dos satélites Landsat 8 e Sentinel-2, aplicando as técnicas de aprendizado de máquina Deep Learning e Random Forest. Obtivemos os melhores resultados usando séries temporais de imagens Sentinel-2 processadas com Random Forest. Finalmente, demonstramos que a melhor maneira de fornecer aos cientistas acesso a grandes quantidades de dados de observação da Terra é com ferramentas de processamento e através de ambientes de análise colaborativa oferecidos pela Internet, como os notebooks Jupyter. |
Área | CST |
Arranjo 1 | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CST > Detection of deforestation... |
Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Detection of deforestation... |
Conteúdo da Pasta doc | acessar |
Conteúdo da Pasta source | originais/@4primeirasPaginas (1).pdf | 26/04/2021 14:12 | 412.7 KiB | originais/aprovacao.pdf | 29/04/2021 10:57 | 52.2 KiB | originais/thesis_alber_2020_v8.pdf | 17/09/2020 17:14 | 27.7 MiB | |
Conteúdo da Pasta agreement | |
|
4. Condições de acesso e uso | |
URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34R/42PGNM8 |
URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34R/42PGNM8 |
Idioma | en |
Arquivo Alvo | publicacao.pdf |
Grupo de Usuários | alber.ipia@inpe.br pubtc@inpe.br simone |
Visibilidade | shown |
Licença de Direitos Autorais | urlib.net/www/2012/11.12.15.10 |
Detentor dos Direitos | originalauthor yes |
Permissão de Leitura | allow from all |
Permissão de Atualização | não transferida |
|
5. Fontes relacionadas | |
Repositório Espelho | urlib.net/www/2017/11.22.19.04.03 |
Unidades Imediatamente Superiores | 8JMKD3MGPCW/449U4PL 8JMKD3MGPCW/46KUATE |
Acervo Hospedeiro | urlib.net/www/2017/11.22.19.04 |
|
6. Notas | |
Campos Vazios | academicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype |
|