@MastersThesis{Justi:2021:MéEsCl,
author = "Justi, Izak Francisco",
title = "M{\'e}todos de estimativa de classes de uso e cobertura da terra
em {\'a}reas com cobertura de nuvem baseados na
distribui{\c{c}}{\~a}o espa{\c{c}}o-temporal de classes",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2021",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2020-12-15",
keywords = "valores faltantes, nuvens, sombra de nuvens, uso e cobertura da
terra, estimativa de classes, missing value, cloud, cloud shadow,
land use and land cover, class estimation.",
abstract = "Mapas de uso e cobertura da terra s{\~a}o um dos principais
produtos oriundos de dados de sensoriamento remotos. Eles s{\~a}o
utilizados como base para diversos estudos da din{\^a}mica
terrestre. Entretanto, dados de sensoriamento remoto est{\~a}o
sujeitos a ru{\'{\i}}dos podendo afetar parcial ou totalmente a
disponibilidade de dados em algumas regi{\~o}es gerando os
chamados valores faltantes e comprometendo a obten{\c{c}}{\~a}o
de mapas de uso e cobertura da terra. Muitas podem ser as causas
desses ru{\'{\i}}dos, por{\'e}m as condi{\c{c}}{\~o}es
atmosf{\'e}ricas, particularmente a presen{\c{c}}a de nuvens e
sombras de nuvens, ainda s{\~a}o os principais obst{\'a}culos na
aquisi{\c{c}}{\~a}o cont{\'{\i}}nua de dados. Dessa forma, a
primeira etapa para trabalhar com dados afetados por esse tipo
ru{\'{\i}}do {\'e} sua identifica{\c{c}}{\~a}o. A partir da
delimita{\c{c}}{\~a}o das {\'a}reas cobertas por nuvens e suas
sombras, {\'e} poss{\'{\i}}vel iniciar o tratamento dos valores
faltantes. Existem diversas metodologias na literatura capazes de
estimar ou reconstruir esses valores. Basicamente, essas
t{\'e}cnicas utilizam contexto espacial, temporal ou
espa{\c{c}}o-temporal entre pixels pr{\'o}ximos para estimar ou
reconstruir valores. Entretanto, esses m{\'e}todos consideram os
valores radiom{\'e}tricos nas estimativas que s{\~a}o
normalmente os valores de reflect{\^a}ncia ou {\'{\i}}ndices
radiom{\'e}tricos sendo necess{\'a}ria a posterior
classifica{\c{c}}{\~a}o dos dados. Neste contexto, o presente
trabalho aborda m{\'e}todos p{\'o}s-classifica{\c{c}}{\~a}o
que estimam as classes de uso e cobertura da terra e calculam as
incertezas dessas estimativas. No trabalho s{\~a}o introduzidos
dois novos m{\'e}todos para estimar as classes baseados na
an{\'a}lise espa{\c{c}}o-temporal de classes em pixels com
valores v{\'a}lidos denominados An{\'a}lise de
Transi{\c{c}}{\~o}es (ATRANS) e An{\'a}lise de Trajet{\'o}rias
(ATRAJ). O m{\'e}todo ATRANS utiliza os transiogramas de classes
entre duas imagens para basear as estimativas em {\'a}reas com
valores faltantes. Enquanto o m{\'e}todo ATRAJ utiliza as
trajet{\'o}rias de classes para basear as estimativas. Ambos os
m{\'e}todos realizam um levantamento das mudan{\c{c}}as de
classes a partir de uma an{\'a}lise pixel a pixel em {\'a}reas
com valores v{\'a}lidos, ou seja, {\'a}reas n{\~a}o afetadas
pela cobertura de nuvens e sombras de nuvens. As t{\'e}cnicas
propostas foram aplicadas e validadas em dois estudos de caso com
classifica{\c{c}}{\~o}es obtidas de imagens Sentinel-2/MSI e
Landsat-5/TM. Foram aplicadas as classifica{\c{c}}{\~o}es da
M{\'a}xima Verossimilhan{\c{c}}a, Random Forest e Support Vector
Machine para gera{\c{c}}{\~a}o das classifica{\c{c}}{\~o}es de
refer{\^e}ncia. Os resultados obtidos mostram pouca
diferen{\c{c}}a entres os resultados tanto variando os
m{\'e}todos quanto as classifica{\c{c}}{\~o}es. Entre as
vantagens dos m{\'e}todos est{\~a}o a efetividade quando
aplicados a s{\'e}ries temporalmente curtas e a possibilidade do
c{\'a}lculo das incertezas de estimativas. Entretanto, o
m{\'e}todo ATRAJ possui uma menor taxa de pixel n{\~a}o
estimados. Al{\'e}m disso, os m{\'e}todos mostram-se eficiente
quando aplicados a classifica{\c{c}}{\~o}es de refer{\^e}ncia
com baixa taxas de erros por comiss{\~a}o e omiss{\~a}o.
ABSTRACT: Land use and land cover maps are one of the main
products derived from remote sensing data. They are used in
several studies of terrestrial dynamics. However, remote sensing
data is still subject to noise, which may partially or totally
affect data availability in some regions, generating missing
values and compromising the production of land use and land cover
maps. These noises can be caused by a variety of reasons, but
atmospheric conditions, particularly the presence of clouds and
cloud shadows, are still the main obstacles in the continuous
acquisition of data. Thus, the first step in working with data
affected by this type of noise is its identification. By
delimitating the areas covered by clouds and their shadows, it is
possible to start the treatment of missing values. There are
several methodologies available in the literature capable of
estimating or reconstructing these values. Basically, these
techniques use spatial, temporal or spatiotemporal context among
nearby pixels to estimate or reconstruct values. However, these
methods consider only radiometric values when estimating and they
are usually applied on the reflectance values or on radiometric
indices, requiring subsequent classification over estimated data.
In this context, the present work introduces post-classification
methods to estimate land use and land cover classes and calculate
their uncertainties. The work presents two new methods to estimate
classes based on the spatio-temporal analysis of classes in pixels
with valid values called Transition Analysis (ATRANS) and
Trajectory Analysis (ATRAJ). The ATRANS method uses class
transiograns between two classified images to estimate classes of
pixels on areas with missing values. While ATRAJ method uses class
trajectories to estimate classes of pixels on areas with missing
values. Both methods perform a survey of class changes based on a
pixel-by-pixel analysis in areas with valid values, in other
words, areas not affected by cloud cover and cloud shadows. Among
the advantages of the methods are the effectiveness when applied
to short time series and the possibility of calculating
uncertainty values. The proposed techniques were applied and
validated in two case studies with Sentinel-2/MSI and Landsat-5/TM
images. The Maximum Likelihood, Random Forest and Support Vector
Machine classifications were applied to these images to generate
classification references. The results obtained show small
differences between results when varying both methods and
classifications. However, ATRAJ method present a lower rate of
non-estimated pixels. In addition, both methods prove to be
efficient when applied to classifications references with low
error rates by commission and omission.",
committee = "K{\"o}rting, Thales Sehn (presidente) and Dutra, Luciano Vieira
(orientador) and Sant’Anna, Sidnei Jo{\~a}o Siqueira (orientador)
and Sanches, Ieda Del'Arco and Costa, Sandra Maria Fonseca da",
englishtitle = "Methods for land use land cover class estimation in cloud covered
areas based on spatio-temporal class distribution",
language = "pt",
pages = "158",
ibi = "8JMKD3MGP3W34R/43S5ES8",
url = "http://urlib.net/ibi/8JMKD3MGP3W34R/43S5ES8",
targetfile = "publicacao.pdf",
urlaccessdate = "28 abr. 2024"
}