@PhDThesis{Santos:2021:AsImLa,
author = "Santos, Lorena Alves dos",
title = "Assessing and improving land use and cover samples using satellite
image time series",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2021",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2021-02-03",
keywords = "satellite image time series, spatiotemporal patterns,
self-organizing maps, land use and cover changes, class noise,
s{\'e}ries temporais de imagens de sat{\'e}lite, padr{\~o}es
espa{\c{c}}o-temporal, mapas auto-organiz{\'a}veis,
mudan{\c{c}}a de uso e cobertura da terra, ru{\'{\i}}do de
classe.",
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: Mudan{\c{c}}as no uso e cobertura da
terra t{\^e}m causado grande impacto nos ecossistemas tropicais,
aumentando as emiss{\~o}es globais de gases de efeito estufa e
reduzindo a biodiversidade do planeta. O sensoriamento remoto e o
processamento digital de imagens s{\~a}o ferramentas poderosas
para medir e monitorar mudan{\c{c}}as no uso e cobertura da
terra. Atualmente, com uma grande quantidade de imagens de
sat{\'e}lite de observa{\c{c}}{\~a}o da Terra
dispon{\'{\i}}veis gratuitamente, a an{\'a}lise de s{\'e}ries
temporais de imagens traz novas oportunidades e desafios para o
mapeamento das mudan{\c{c}}as de uso e cobertura em grandes
{\'a}reas. O uso de an{\'a}lise de s{\'e}ries temporais de
imagens de sensoriamento remoto para produzir
informa{\c{c}}{\~o}es de mudan{\c{c}}a da terra tem aumentado
bastante. Diversas abordagens de aprendizado de m{\'a}quina com o
foco em t{\'e}cnicas supervisionadas t{\^e}m sido aplicadas para
gerar mapas classificados de uso e cobertura da terra. Uma vez que
esses m{\'e}todos exigem amostras de treinamento rotuladas, elas
devem possuir alta qualidade para evitar efeitos negativos no
desempenho da classifica{\c{c}}{\~a}o. No cen{\'a}rio de
Observa{\c{c}}{\~a}o da Terra, os m{\'e}todos que utilizam
s{\'e}ries temporais ainda s{\~a}o uma lacuna na literatura
devido {\`a} recente disponibilidade de dados abertos de
observa{\c{c}}{\~a}o da Terra, principalmente m{\'e}todos para
a qualidade das amostras de treinamento. Esta tese contribui para
a {\'a}rea de observa{\c{c}}{\~a}o da Terra propondo
m{\'e}todos para avaliar a qualidade das amostras com o intuito
de reduzir o ru{\'{\i}}do nos conjuntos de dados de
observa{\c{c}}{\~a}o da terra. A ideia principal {\'e}
identificar amostras rotuladas de forma err{\^o}nea, dados que
apresentam baixa discrimina{\c{c}}{\~a}o quando misturados com
outras classes e explorar a variabilidade espa{\c{c}}o-temporal
dentro de cada classes utilizando s{\'e}ries temporais de imagens
de sat{\'e}lite. O primeiro m{\'e}todo apresentado nesta tese
{\'e} baseada em redes neurais n{\~a}o supervisionadas, o mapa
de auto-organiza{\c{c}}{\~a}o combinado com infer{\^e}ncia
bayesiana. Esta abordagem fornece medidas para identificar
amostras com r{\'o}tulos incorretos e avaliar a confiabilidade
das amostras. No segundo m{\'e}todo, o agrupamento
hier{\'a}rquico {\'e} combinado com o mapa auto-organiz{\'a}vel
para gerar padr{\~o}es espa{\c{c}}o-temporais de subgrupos com o
intuito de explorar e identificar a variabilidade intraclasse das
amostras. Ambos os m{\'e}todos utilizam s{\'e}ries temporais de
imagens de sat{\'e}lite. Isto permite que os cientistas de
observa{\c{c}}{\~a}o da Terra entendam o comportamento da
amostra ao longo do tempo, contribuindo para a redu{\c{c}}{\~a}o
de ru{\'{\i}}do nos conjuntos de dados de amostras de uso e
cobertura da terra. Os m{\'e}todos abordados nesta tese foram
aplicados em diferentes estudos de caso utilizando amostras no
bioma Cerrado no Brasil.",
committee = "Santos, Rafael Duarte Coelho dos (presidente) and Gomes, Karine
Reis Ferreira (orientadora) and C{\^a}mara Neto, Gilberto
(orientador) and Quiles, Marcos Gon{\c{c}}alves and Ferreira,
Laerte Guimar{\~a}es and Lorena, Ana Carolina",
englishtitle = "Avalia{\c{c}}{\~a}o e melhoria de amostras de uso e cobertura da
terra utilizando s{\'e}ries temporais de imagem de
sat{\'e}lite",
language = "en",
pages = "95",
ibi = "8JMKD3MGP3W34R/447JHQ8",
url = "http://urlib.net/ibi/8JMKD3MGP3W34R/447JHQ8",
targetfile = "publicacao.pdf",
urlaccessdate = "06 maio 2024"
}