Fechar

@PhDThesis{Simões:2021:LaUsLa,
               author = "Sim{\~o}es, Rolf Ezequiel de Oliveira",
                title = "Land use and land cover classification of satellite image time 
                         series using machine learning",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2021",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2021-05-12",
             keywords = "big Earth observation data, satellite image time series, machine 
                         learning, land use and land cover maps, cloud computing, big data, 
                         observa{\c{c}}{\~a}o da Terra, s{\'e}ries temporais de imagens 
                         de sat{\'e}lites, aprendizado de m{\'a}quina, mapas de uso e 
                         cobertura da terra, computa{\c{c}}{\~a}o em nuvem.",
             abstract = "Human activities are impacting the global environment and changing 
                         the landscape of the Earth at an unprecedented pace. One way to 
                         understand and quantify the impacts of these transformations is to 
                         measure land cover and land use changes. Earth observation by 
                         orbital sensors has became the most consistent way to do this task 
                         as it reaches all globe in a periodic manner. The planet is 
                         continuously monitored and large image databases are open to the 
                         public community. Cloud computing is becoming the main choice for 
                         storage, distribution, and processing of satellite imagery. To use 
                         these data sets to understand how our planet is changing, 
                         researchers are developing software for big Earth observation data 
                         analytics. The massive volume of spatiotemporal digital assets has 
                         brought about a major computational challenge: how to design and 
                         build technologies that allow the Earth observation community to 
                         analyse big data sets? This thesis addresses this problem by 
                         proposing an open source R package called sits. The package works 
                         with satellite image time series and machine learning methods to 
                         produce land use and land cover classification in a time-first, 
                         space-later approach. Our hypothesis is that using all observed 
                         spectral values of the time series coupled with advanced 
                         statistical learning methods is a robust approach for land 
                         classification. Two case studies show that this approach produces 
                         results of high accuracy. The first was conducted in Mato Grosso 
                         State, Brazil, for years 2001-2017. The second was conducted in 
                         Cerrado biome for the year 2018. These study areas comprise some 
                         of the worlds most dynamic agricultural frontiers. To show how to 
                         access collections of satellite images, we also present the rstac 
                         R package. This package allows sits to connect to different 
                         imagery repositories on the cloud. RESUMO: As atividades humanas 
                         est{\~a}o impactando o meio ambiente global e mudando a paisagem 
                         da Terra a um ritmo sem precedentes. Uma maneira de entender e 
                         quantificar os impactos destes transforma{\c{c}}{\~o}es {\'e} 
                         olhar para a cobertura e as mudan{\c{c}}as de uso do solo. Nas 
                         {\'u}ltimas d{\'e}cadas, imagens de sat{\'e}lite sensores 
                         orbitais tornaram-se a maneira mais consistente de faze-lo. 
                         Atualmente, o planeta {\'e} continuamente monitorado e 
                         v{\'a}rias bases de dados de imagens est{\~a}o abertas {\`a} 
                         comunidade cient{\'{\i}}fica. Para armazenar, 
                         distribui{\c{c}}{\~a}o e processar essas imagens, a principal 
                         escolha {\'e} o uso de computa{\c{c}}{\~a}o em nuvem. Esse 
                         enorme volume de dados trouxe um desafio computacional: como 
                         projetar e construir tecnologias que permitam {\`a} comunidade de 
                         observa{\c{c}}{\~a}o da Terra analisar grandes conjuntos de 
                         dados? Esta tese contribui para resolver esse desafio 
                         cient{\'{\i}}fico ao propor um pacote R de c{\'o}digo aberto 
                         chamado sits . O software usa s{\'e}ries temporais de imagens de 
                         sat{\'e}lite e m{\'e}todos de aprendizagem de m{\'a}quinas para 
                         produzir a classifica{\c{c}}{\~a}o de uso e cobertura da Terra 
                         em uma abordagem time-first, space-later. Nossa hip{\'o}tese 
                         {\'e} a de que usar s{\'e}ries temporais juntamente com 
                         m{\'e}todos avan{\c{c}}ados de aprendizagem de m{\'a}quina 
                         {\'e} uma abordagem robusta para a classifica{\c{c}}{\~a}o do 
                         uso e cobertura da terra. Mostramos no trabalho que esta abordagem 
                         produz mapas de uso e cobertura da Terra com boa precis{\~a}o 
                         atrav{\'e}s de dois estudos de caso. O primeiro foi realizado no 
                         estado do Mato Grosso, Brasil, para o per{\'{\i}}odo 2001-2017. 
                         O segundo no bioma brasileiro do Cerrado para o ano de 2018. 
                         Nessas {\'a}reas de estudo est{\~a}o localizas algumas das 
                         fronteiras agr{\'{\i}}colas mais din{\^a}micas do mundo. 
                         Al{\'e}m disso, apresentamos o pacote rstac desenvolvido e 
                         integrado no sits que nos permitiu conectar a diferentes 
                         reposit{\'o}rios de imagens na nuvem.",
            committee = "Santos, Rafael Duarte Coelho dos (presidente) and Camara Neto, 
                         Gilberto (orientador) and Queiroz, Gilberto Ribeiro de 
                         (orientador) and Almeida, Claudio Aparecido and Arvor, Damien and 
                         Lorena, Ana Carolina",
         englishtitle = "Classifica{\c{c}}{\~a}o de uso e cobertura da terra a partir de 
                         s{\'e}ries temporais de imagens de sat{\'e}lite usando 
                         m{\'e}todos de aprendizado de m{\'a}quina",
             language = "en",
                pages = "65",
                  ibi = "8JMKD3MGP3W34R/44KLMUS",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34R/44KLMUS",
           targetfile = "publicacao.pdf",
        urlaccessdate = "28 mar. 2024"
}


Fechar