%0 Thesis
%4 sid.inpe.br/mtc-m21c/2020/12.29.13.22
%2 sid.inpe.br/mtc-m21c/2020/12.29.13.22.32
%T Métodos de estimativa de classes de uso e cobertura da terra em áreas com cobertura de nuvem baseados na distribuição espaço-temporal de classes
%J Methods for land use land cover class estimation in cloud covered areas based on spatio-temporal class distribution
%D 2021
%8 2020-12-15
%9 Dissertação (Mestrado em Sensoriamento Remoto)
%P 158
%A Justi, Izak Francisco,
%E Körting, Thales Sehn (presidente),
%E Dutra, Luciano Vieira (orientador),
%E Sant’Anna, Sidnei João Siqueira (orientador),
%E Sanches, Ieda Del'Arco,
%E Costa, Sandra Maria Fonseca da,
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%C São José dos Campos
%K 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.
%X Mapas de uso e cobertura da terra são um dos principais produtos oriundos de dados de sensoriamento remotos. Eles são utilizados como base para diversos estudos da dinâmica terrestre. Entretanto, dados de sensoriamento remoto estão sujeitos a ruídos podendo afetar parcial ou totalmente a disponibilidade de dados em algumas regiões gerando os chamados valores faltantes e comprometendo a obtenção de mapas de uso e cobertura da terra. Muitas podem ser as causas desses ruídos, porém as condições atmosféricas, particularmente a presença de nuvens e sombras de nuvens, ainda são os principais obstáculos na aquisição contínua de dados. Dessa forma, a primeira etapa para trabalhar com dados afetados por esse tipo ruído é sua identificação. A partir da delimitação das áreas cobertas por nuvens e suas sombras, é possível iniciar o tratamento dos valores faltantes. Existem diversas metodologias na literatura capazes de estimar ou reconstruir esses valores. Basicamente, essas técnicas utilizam contexto espacial, temporal ou espaço-temporal entre pixels próximos para estimar ou reconstruir valores. Entretanto, esses métodos consideram os valores radiométricos nas estimativas que são normalmente os valores de reflectância ou índices radiométricos sendo necessária a posterior classificação dos dados. Neste contexto, o presente trabalho aborda métodos pós-classificação que estimam as classes de uso e cobertura da terra e calculam as incertezas dessas estimativas. No trabalho são introduzidos dois novos métodos para estimar as classes baseados na análise espaço-temporal de classes em pixels com valores válidos denominados Análise de Transições (ATRANS) e Análise de Trajetórias (ATRAJ). O método ATRANS utiliza os transiogramas de classes entre duas imagens para basear as estimativas em áreas com valores faltantes. Enquanto o método ATRAJ utiliza as trajetórias de classes para basear as estimativas. Ambos os métodos realizam um levantamento das mudanças de classes a partir de uma análise pixel a pixel em áreas com valores válidos, ou seja, áreas não afetadas pela cobertura de nuvens e sombras de nuvens. As técnicas propostas foram aplicadas e validadas em dois estudos de caso com classificações obtidas de imagens Sentinel-2/MSI e Landsat-5/TM. Foram aplicadas as classificações da Máxima Verossimilhança, Random Forest e Support Vector Machine para geração das classificações de referência. Os resultados obtidos mostram pouca diferença entres os resultados tanto variando os métodos quanto as classificações. Entre as vantagens dos métodos estão a efetividade quando aplicados a séries temporalmente curtas e a possibilidade do cálculo das incertezas de estimativas. Entretanto, o método ATRAJ possui uma menor taxa de pixel não estimados. Além disso, os métodos mostram-se eficiente quando aplicados a classificações de referência com baixa taxas de erros por comissão e omissão. 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.
%@language pt
%3 publicacao.pdf