Fechar

%0 Thesis
%4 sid.inpe.br/mtc-m21c/2021/05.05.01.16
%2 sid.inpe.br/mtc-m21c/2021/05.05.01.16.36
%T Land use and land cover classification of satellite image time series using machine learning
%J Classificação de uso e cobertura da terra a partir de séries temporais de imagens de satélite usando métodos de aprendizado de máquina
%D 2021
%8 2021-05-12
%9 Tese (Doutorado em Computação Aplicada)
%P 65
%A Simões, Rolf Ezequiel de Oliveira,
%E Santos, Rafael Duarte Coelho dos (presidente),
%E Camara Neto, Gilberto (orientador),
%E Queiroz, Gilberto Ribeiro de (orientador),
%E Almeida, Claudio Aparecido,
%E Arvor, Damien,
%E Lorena, Ana Carolina,
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%C São José dos Campos
%K big Earth observation data, satellite image time series, machine learning, land use and land cover maps, cloud computing, big data, observação da Terra, séries temporais de imagens de satélites, aprendizado de máquina, mapas de uso e cobertura da terra, computação em nuvem.
%X 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 estão 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 transformações é olhar para a cobertura e as mudanças de uso do solo. Nas últimas décadas, imagens de satélite sensores orbitais tornaram-se a maneira mais consistente de faze-lo. Atualmente, o planeta é continuamente monitorado e várias bases de dados de imagens estão abertas à comunidade científica. Para armazenar, distribuição e processar essas imagens, a principal escolha é o uso de computação em nuvem. Esse enorme volume de dados trouxe um desafio computacional: como projetar e construir tecnologias que permitam à comunidade de observação da Terra analisar grandes conjuntos de dados? Esta tese contribui para resolver esse desafio científico ao propor um pacote R de código aberto chamado sits . O software usa séries temporais de imagens de satélite e métodos de aprendizagem de máquinas para produzir a classificação de uso e cobertura da Terra em uma abordagem time-first, space-later. Nossa hipótese é a de que usar séries temporais juntamente com métodos avançados de aprendizagem de máquina é uma abordagem robusta para a classificação do uso e cobertura da terra. Mostramos no trabalho que esta abordagem produz mapas de uso e cobertura da Terra com boa precisão através de dois estudos de caso. O primeiro foi realizado no estado do Mato Grosso, Brasil, para o período 2001-2017. O segundo no bioma brasileiro do Cerrado para o ano de 2018. Nessas áreas de estudo estão localizas algumas das fronteiras agrícolas mais dinâmicas do mundo. Além disso, apresentamos o pacote rstac desenvolvido e integrado no sits que nos permitiu conectar a diferentes repositórios de imagens na nuvem.
%@language en
%3 publicacao.pdf


Fechar