<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Thesis">
		<site>mtc-m21d.sid.inpe.br 808</site>
		<holdercode>{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}</holdercode>
		<identifier>8JMKD3MGP3W34T/44TPHRS</identifier>
		<repository>sid.inpe.br/mtc-m21d/2021/06.23.21.49</repository>
		<lastupdate>2021:10.05.13.14.29 urlib.net/www/2021/06.04.03.40 simone</lastupdate>
		<metadatarepository>sid.inpe.br/mtc-m21d/2021/06.23.21.49.08</metadatarepository>
		<metadatalastupdate>2022:04.03.22.29.58 sid.inpe.br/bibdigital@80/2006/04.07.15.50 administrator</metadatalastupdate>
		<secondarykey>INPE-18484-TDI/3132</secondarykey>
		<citationkey>Uehara:2021:SeMeLa</citationkey>
		<title>Semi-automatic methods for land use and land cover mapping using time series with focus on landslide scars detection</title>
		<alternatetitle>Métodos de mapeamento semi-automático do uso e cobertura do solo por séries temporais com foco na detecção de cicatrizes de deslizamentos</alternatetitle>
		<course>SER-SRE-DIPGR-INPE-MCTI-GOV-BR</course>
		<year>2021</year>
		<date>2021-06-11</date>
		<thesistype>Dissertação (Mestrado em Sensoriamento Remoto)</thesistype>
		<secondarytype>TDI</secondarytype>
		<numberofpages>90</numberofpages>
		<numberoffiles>1</numberoffiles>
		<size>71064 KiB</size>
		<author>Uehara, Tatiana Dias Tardelli,</author>
		<committee>Rennó, Camilo Daleles (presidente),</committee>
		<committee>Körting, Thales Sehn (orientador),</committee>
		<committee>Namikawa, Laércio Massaru,</committee>
		<committee>Kawakubo, Fernando Shinji,</committee>
		<committee>Soares, Anderson Reis,</committee>
		<e-mailaddress>tatiana.inpe@gmail.com</e-mailaddress>
		<university>Instituto Nacional de Pesquisas Espaciais (INPE)</university>
		<city>São José dos Campos</city>
		<transferableflag>1</transferableflag>
		<keywords>mass movements, image time series, time series metrics, Random Forest, Machine Learning., movimentos de massa, séries temporais de imagens, métricas de séries temporais.</keywords>
		<abstract>Landslides happen with recurrence in Brazil and have been the reason for many socioeconomic losses and casualties, for instance the consequences of the so called Mega-disaster at Nova Friburgo in 2011. To prevent them, Land Use and Land Cover (LULC) and landslide inventory maps are essential to identify areas of high susceptibility. Most inventories are made using visual interpretation methods. However this approach is time and resource consuming. In this context, the aim of this study is to use data mining techniques with remote sensing time series imagery to produce a LULC classification and detect landslide scars via semi-automatic methods. The study area covers the whole extension of the Rolante River hydrographic basin, located at Rio Grande do Sul state, Brazil. In January 5th, 2017, more than 300 landslides occurred due to an extreme precipitation event. Sentinel-2 from 2015 to 2020 was used, which resulted in 122 dates, with a temporal resolution of approximately 13 days. A variety of attributes were generated, being them spectral indices, as the Normalized Difference Vegetation Index (NDVI), the Normalized Difference Built- up Index (NDBI), and the Soil Adjusted Vegetation Index (SAVI). Basic, polar and fractal metrics were extracted from the time series. From the Digital Elevation Model (DEM) provided by SRTM, six geomorphometric features were extracted (Slope, Aspect, Plan curvature, Profile curvature, General Curvature and the TopographicWetness Index). After that, classification was performed by the Random Forest (RF) algorithm. Four different input approaches were analysed: Mono-temporal, Bi-temporal, Metrical and All. Each approach consists of a different dataset input, in which the first approach takes into consideration only 10 attributes and the last one, 436 attributes. Considering the attributes importance ranking, the NDBI index or metric derived from that index presented the highest position for every approach, over NDVI and SAVI. Among the geomorphometric attributes, Slope was ranked among the 6 first attributes for all of them. Comparing the approaches performances through the overall accuracy analysis, All approach showed the highest value (88.96%), followed by Metrical (87.90%), Bi-temporal (82.59%), and Mono-temporal (74.95%). The approaches that presented the highest error rates for landslide class were Mono-temporal (7.69%) for omission and Bi-temporal (14.67%) for commission error. Furthermore, from the interpretation of all of the accuracy results, with the understanding that the goal was to provide both LULC and landslide inventory products, the Metrical approach presented the most beneficial result, presenting high overall accuracy values and low levels of commission and omission errors. RESUMO: Os deslizamentos de terra acontecem com frequência no Brasil e têm sido a causa de muitas perdas socioeconômicas e fatalidades, a exemplo das consequências do chamado Mega-desastre em Nova Friburgo em 2011. Para evitá-los, os mapas de Uso e Cobertura do Solo (LULC) e os inventários de deslizamentos são essenciais para identificar áreas com alta suscetibilidade. A maioria dos inventários é feita usando métodos de interpretação visual, no entanto, essa abordagem consome demasiado tempo e recursos. Neste contexto, o objetivo deste estudo é utilizar técnicas de mineração de dados com imagens de séries temporais de sensoriamento remoto para produzir uma classificação LULC e detectar cicatrizes de deslizamentos por meio de métodos semiautomáticos. A área de estudo cobre toda a extensão da bacia hidrográfica do Rio Rolante, localizada no estado do Rio Grande do Sul, Brasil. Em 5 de janeiro de 2017, mais de 300 deslizamentos de terra ocorreram devido a um evento de precipitação extrema. Foram utilizadas imagens do Sentinel-2 de 2015 a 2020, que resultaram em 122 datas, com resolução temporal de aproximadamente 13 dias. Diversos atributos foram gerados, sendo eles índices espectrais, como o Índice de Vegetação por Diferença Normalizada (NDVI), o Índice de Construção da Diferença Normalizada (NDBI) e o Índice de Vegetação Ajustado do Solo (SAVI). Métricas básicas, polares e fractais foram extraídas das séries temporais. Do Modelo Digital de Elevação (DEM) fornecido pela SRTM, seis atributos geomorfométricos foram extraídos (declividade, aspecto, curvatura do horizontal, curvatura vertical, curvatura geral e índice de umidade topográfico). Em seguida, a classificação foi realizada pelo algoritmo Random Forest (RF). Quatro abordagens diferentes de dados de entrada foram analisadas: Mono-temporal, Bi-temporal, Metrical e All. Cada abordagem consiste em uma entrada de conjunto de dados diferente, em que a primeira abordagem leva em consideração apenas 10 atributos e a última, 436 atributos. Considerando o ranking de importância dos atributos, o índice NDBI ou métrica do derivada desse índice apresentou o primeiro lugar para todas as abordagens, acima do NDVI e do SAVI. Dentre os atributos geomorfométricos, a declividade foi classificada entre os 6 primeiros atributos para todos os casos. Comparando o desempenho das abordagens por meio da análise da acurácia global, a abordagem All apresentou o maior valor (88,96%), seguidas por Metrical (87,90%), Bi-temporal (82,59%) e Mono-temporal (74,95%). As abordagens que apresentaram as maiores taxas de erro para a classe de deslizamento foram Mono-temporal (7,69%) para omissão e Bi-temporal (14,67%) para erro de comissão. Além disso, a partir da interpretação de todos os resultados de acurácia, e compreendendo-se que o objetivo era fornecer tanto o mapa de LULC quanto o produto de inventário de deslizamento, a abordagem Metrical apresentou o resultado mais benéfico, mostrando altos valores de acurácia global e níveis baixos de erros de comissão e omissão.</abstract>
		<area>SRE</area>
		<language>en</language>
		<targetfile>publicacao.pdf</targetfile>
		<usergroup>pubtc@inpe.br</usergroup>
		<usergroup>simone</usergroup>
		<usergroup>tatiana.uehara@inpe.br</usergroup>
		<visibility>shown</visibility>
		<copyright>urlib.net/www/2012/11.12.15.10</copyright>
		<readpermission>allow from all</readpermission>
		<documentstage>not transferred</documentstage>
		<mirrorrepository>urlib.net/www/2021/06.04.03.40.25</mirrorrepository>
		<nexthigherunit>8JMKD3MGPCW/3F3NU5S</nexthigherunit>
		<nexthigherunit>8JMKD3MGPCW/46KUATE</nexthigherunit>
		<citingitemlist>sid.inpe.br/bibdigital@80/2006/04.07.15.50.13 1</citingitemlist>
		<hostcollection>urlib.net/www/2021/06.04.03.40</hostcollection>
		<agreement>autorizacao.pdf .htaccess2 .htaccess</agreement>
		<lasthostcollection>urlib.net/www/2021/06.04.03.40</lasthostcollection>
		<supervisor>Körting, Thales Sehn,</supervisor>
		<url>http://mtc-m21d.sid.inpe.br/rep-/sid.inpe.br/mtc-m21d/2021/06.23.21.49</url>
	</metadata>
</metadatalist>