@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"
}