<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Thesis">
		<site>mtc-m21c.sid.inpe.br 806</site>
		<holdercode>{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}</holdercode>
		<identifier>8JMKD3MGP3W34R/4325CC8</identifier>
		<repository>sid.inpe.br/mtc-m21c/2020/08.03.21.55</repository>
		<lastupdate>2021:05.16.23.12.22 urlib.net/www/2017/11.22.19.04 simone</lastupdate>
		<metadatarepository>sid.inpe.br/mtc-m21c/2020/08.03.21.55.08</metadatarepository>
		<metadatalastupdate>2022:04.03.23.15.37 sid.inpe.br/bibdigital@80/2006/04.07.15.50 administrator</metadatalastupdate>
		<secondarykey>INPE-18349-TDI/3017</secondarykey>
		<citationkey>Adeu:2021:ClSaIm</citationkey>
		<title>Clustering satellite image time series data based on growing self-organizing maps</title>
		<alternatetitle>Clustering de séries temporais de imagens de satélite utilizando growing self-organizing maps</alternatetitle>
		<course>CAP-COMP-DIPGR-INPE-MCTI-GOV-BR</course>
		<year>2021</year>
		<date>2020-07-31</date>
		<thesistype>Dissertação (Mestrado em Computação Aplicada)</thesistype>
		<secondarytype>TDI</secondarytype>
		<numberofpages>47</numberofpages>
		<numberoffiles>1</numberoffiles>
		<size>5923 KiB</size>
		<author>Adeu, Rodrigo de Sales da Silva,</author>
		<committee>Quiles, Marcos Gonçalves (presidente),</committee>
		<committee>Ferreira, Karine Reis (orientadora),</committee>
		<committee>Andrade Neto, Pedro Ribeiro de (orientador),</committee>
		<committee>Picoli, Michelle Cristina Araujo,</committee>
		<committee>Romani, Luciana Alvim Santos,</committee>
		<e-mailaddress>rdrg.sales@gmail.com</e-mailaddress>
		<university>Instituto Nacional de Pesquisas Espaciais (INPE)</university>
		<city>São José dos Campos</city>
		<transferableflag>1</transferableflag>
		<keywords>growing self-organized map, land use and land cover, machine learning, clustering, unsupervised learning, uso e cobertura da Terra, aprendizado de máquinas, aprendizado não supervisionado.</keywords>
		<abstract>Mapping Earth land use and land cover is crucial to understand agricultural dynamics. Recently, analysis of time series extracted from Earth observation satellite images has been widely used to produce land use and land cover information. In time series analysis, clustering is a common technique performed to discover patterns on data sets. In this work, we evaluate the Growing Self-Organizing Maps (GSOMs) algorithm for clustering satellite image time series and compare it with Self-Organizing Maps (SOMs) algorithm. This paper presents two case studies using satellite image time series associated to samples of land use and land cover classes, highlighting the advantage of providing a neutral factor (called spread factor) as a parameter for GSOM, instead of the SOM grid size. We first compare GSOM with traditional SOM, analyzing the resultant network topology, the algorithm running time, the cluster accuracy and the neighborhood maintenance. In the second case study, we changed the dataset, increasing the number of samples and repeating the analysis. We finish concluding that it is possible to cluster satellite image time series with GSOM, avoiding the SOM grid size additional parameter. Besides that, GSOM keeps most of SOM properties and can be considered as a suitable alternative to SOM. RESUMO: Mapear o uso e a cobertura da Terra é crucial para entender a dinâmica agrícola. Recentemente, a análise de séries temporais extraídas de imagens de satélite de observação da Terra tem sido amplamente utilizada para produzir informações sobre uso e cobertura da terra. Na análise de séries temporais, o clustering é uma técnica utilizada para descobrir padrões em conjuntos de dados. Neste trabalho, avaliamos o algoritmo GSOM (Growing Self-Organizing Maps) para agrupar séries temporais de imagens de satélite e o comparamos com o algoritmo SOM (Self-Organizing Maps). Este artigo apresenta um estudo de caso utilizando séries temporais de imagens de satélite associadas a amostras de uso da terra e classes de cobertura, destacando a vantagem de fornecer um fator neutro (chamado spread factor) como parâmetro para o GSOM, no lugar do tamanho da grade do SOM. Nós iniciamos comparando o GSOM com o SOM tradicional, analisando a topologia da rede resultante, o tempo de execução dos algoritmos, a eficácia dos clusters e a manutenção da vizinhança. No segundo estudo de caso, nós modificamos o conjunto de dados, aumentando a quantidade de amostras e repetindo a análise. Nós terminamos concluindo que é possível fazer o clustering de séries temporais de imagens de satélite utilizando o GSOM e evitando o parâmetro adicional do tamanho da grade requerido pelo SOM. Além disso, o GSOM mantém a maioria das propriedades do SOM, e pode ser considerado como uma alternativa adequada ao SOM.</abstract>
		<area>COMP</area>
		<language>en</language>
		<targetfile>publicacao.pdf</targetfile>
		<usergroup>pubtc@inpe.br</usergroup>
		<usergroup>rdrg.sales@gmail.com</usergroup>
		<usergroup>simone</usergroup>
		<visibility>shown</visibility>
		<copyright>urlib.net/www/2012/11.12.15.10</copyright>
		<readpermission>allow from all</readpermission>
		<documentstage>not transferred</documentstage>
		<mirrorrepository>urlib.net/www/2017/11.22.19.04.03</mirrorrepository>
		<nexthigherunit>8JMKD3MGPCW/3F2PHGS</nexthigherunit>
		<nexthigherunit>8JMKD3MGPCW/46KUES5</nexthigherunit>
		<hostcollection>urlib.net/www/2017/11.22.19.04</hostcollection>
		<agreement>autorizacao.pdf .htaccess .htaccess2</agreement>
		<lasthostcollection>urlib.net/www/2017/11.22.19.04</lasthostcollection>
		<supervisor>Andrade Neto, Pedro Ribeiro de,</supervisor>
		<supervisor>Ferreira, Karine Reis,</supervisor>
		<url>http://mtc-m21c.sid.inpe.br/rep-/sid.inpe.br/mtc-m21c/2020/08.03.21.55</url>
	</metadata>
</metadatalist>