<?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/447JHQ8</identifier>
		<repository>sid.inpe.br/mtc-m21c/2021/02.19.18.01</repository>
		<lastupdate>2021:06.08.16.39.06 urlib.net/www/2017/11.22.19.04 simone</lastupdate>
		<metadatarepository>sid.inpe.br/mtc-m21c/2021/02.19.18.01.53</metadatarepository>
		<metadatalastupdate>2022:04.03.23.15.42 sid.inpe.br/bibdigital@80/2006/04.07.15.50 administrator</metadatalastupdate>
		<secondarykey>INPE-18410-TDI/3064</secondarykey>
		<citationkey>Santos:2021:AsImLa</citationkey>
		<title>Assessing and improving land use and cover samples using satellite image time series</title>
		<alternatetitle>Avaliação e melhoria de amostras de uso e cobertura da terra utilizando séries temporais de imagem de satélite</alternatetitle>
		<course>CAP-COMP-DIPGR-INPE-MCTI-GOV-BR</course>
		<year>2021</year>
		<date>2021-02-03</date>
		<thesistype>Tese (Doutorado em Computação Aplicada)</thesistype>
		<secondarytype>TDI</secondarytype>
		<numberofpages>95</numberofpages>
		<numberoffiles>1</numberoffiles>
		<size>19976 KiB</size>
		<author>Santos, Lorena Alves dos,</author>
		<committee>Santos, Rafael Duarte Coelho dos (presidente),</committee>
		<committee>Gomes, Karine Reis Ferreira (orientadora),</committee>
		<committee>Câmara Neto, Gilberto (orientador),</committee>
		<committee>Quiles, Marcos Gonçalves,</committee>
		<committee>Ferreira, Laerte Guimarães,</committee>
		<committee>Lorena, Ana Carolina,</committee>
		<e-mailaddress>lorenalvesdosantos@gmail.com</e-mailaddress>
		<university>Instituto Nacional de Pesquisas Espaciais (INPE)</university>
		<city>São José dos Campos</city>
		<transferableflag>1</transferableflag>
		<keywords>satellite image time series, spatiotemporal patterns, self-organizing maps, land use and cover changes, class noise, séries temporais de imagens de satélite, padrões espaço-temporal, mapas auto-organizáveis, mudança de uso e cobertura da terra, ruído de classe.</keywords>
		<abstract>Land use and cover changes (LUCC) have caused a major impact on tropical ecosystems, increasing global greenhouse gas emissions and reducing the planets biodiversity. Remote sensing and digital image processing are powerful tools to measure and monitor LUCC effectively. Nowadays, with many Earth observation satellite images freely available, image time series analysis brings new opportunities and challenges for LUCC mapping over large areas. The use of remote sensing image time series analysis and machine learning to produce LUCC information has greatly increased. Machine learning using supervised techniques require a training step using land use and cover samples labeled a priori. For this reason, it is necessary highquality samples to avoid negative effects in classification performance. Due to the recent availability of open Earth observation data, methods using satellite image time series still are a gap in the literature. This thesis contributes to Earth observation field proposing two methods to assess the samples quality and reduce the noise in the land use and cover reference datasets. The main idea is to identify mislabeled samples, data with low discrimination when mixed with other classes, and explore the samples spatiotemporal variability using satellite image time series. The first method is based on unsupervised neural networks, the self-organizing map (SOM), and Bayesian Inference. It provides measures to identify mislabeled samples and assess the reliability of the samples. In the second method, the hierarchical clustering is combined with SOM to generate subgroups to identify spatiotemporal patterns to explore the samples intra-class variability. Both methods use satellite image time series. It allows the Earth observation scientists to understand the samples behavior over time, contributing to noise reduction in land use and cover reference databases. These methods were applied in different case studies using samples in the Cerrado biome in Brazil.The results indicated that the methods are efficient to reduce class noise and to assess the spatio-temporal variation of satellite image time series training samples. RESUMO: Mudanças no uso e cobertura da terra têm causado grande impacto nos ecossistemas tropicais, aumentando as emissões globais de gases de efeito estufa e reduzindo a biodiversidade do planeta. O sensoriamento remoto e o processamento digital de imagens são ferramentas poderosas para medir e monitorar mudanças no uso e cobertura da terra. Atualmente, com uma grande quantidade de imagens de satélite de observação da Terra disponíveis gratuitamente, a análise de séries temporais de imagens traz novas oportunidades e desafios para o mapeamento das mudanças de uso e cobertura em grandes áreas. O uso de análise de séries temporais de imagens de sensoriamento remoto para produzir informações de mudança da terra tem aumentado bastante. Diversas abordagens de aprendizado de máquina com o foco em técnicas supervisionadas têm sido aplicadas para gerar mapas classificados de uso e cobertura da terra. Uma vez que esses métodos exigem amostras de treinamento rotuladas, elas devem possuir alta qualidade para evitar efeitos negativos no desempenho da classificação. No cenário de Observação da Terra, os métodos que utilizam séries temporais ainda são uma lacuna na literatura devido à recente disponibilidade de dados abertos de observação da Terra, principalmente métodos para a qualidade das amostras de treinamento. Esta tese contribui para a área de observação da Terra propondo métodos para avaliar a qualidade das amostras com o intuito de reduzir o ruído nos conjuntos de dados de observação da terra. A ideia principal é identificar amostras rotuladas de forma errônea, dados que apresentam baixa discriminação quando misturados com outras classes e explorar a variabilidade espaço-temporal dentro de cada classes utilizando séries temporais de imagens de satélite. O primeiro método apresentado nesta tese é baseada em redes neurais não supervisionadas, o mapa de auto-organização combinado com inferência bayesiana. Esta abordagem fornece medidas para identificar amostras com rótulos incorretos e avaliar a confiabilidade das amostras. No segundo método, o agrupamento hierárquico é combinado com o mapa auto-organizável para gerar padrões espaço-temporais de subgrupos com o intuito de explorar e identificar a variabilidade intraclasse das amostras. Ambos os métodos utilizam séries temporais de imagens de satélite. Isto permite que os cientistas de observação da Terra entendam o comportamento da amostra ao longo do tempo, contribuindo para a redução de ruído nos conjuntos de dados de amostras de uso e cobertura da terra. Os métodos abordados nesta tese foram aplicados em diferentes estudos de caso utilizando amostras no bioma Cerrado no Brasil.</abstract>
		<area>COMP</area>
		<language>en</language>
		<targetfile>publicacao.pdf</targetfile>
		<usergroup>lorena.santos@inpe.br</usergroup>
		<usergroup>pubtc@inpe.br</usergroup>
		<usergroup>simone</usergroup>
		<visibility>shown</visibility>
		<copyright>urlib.net/www/2012/11.12.15.10</copyright>
		<rightsholder>originalauthor yes</rightsholder>
		<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>
		<citingitemlist>sid.inpe.br/bibdigital/2013/10.12.22.16 1</citingitemlist>
		<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>Câmara Neto, Gilberto,</supervisor>
		<supervisor>Gomes, Karine Reis Ferreira,</supervisor>
		<url>http://mtc-m21c.sid.inpe.br/rep-/sid.inpe.br/mtc-m21c/2021/02.19.18.01</url>
	</metadata>
</metadatalist>