@MastersThesis{Uehara:2021:SeMeLa,
author = "Uehara, Tatiana Dias Tardelli",
title = "Semi-automatic methods for land use and land cover mapping using
time series with focus on landslide scars detection",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2021",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2021-06-11",
keywords = "mass movements, image time series, time series metrics, Random
Forest, Machine Learning., movimentos de massa, s{\'e}ries
temporais de imagens, m{\'e}tricas de s{\'e}ries temporais.",
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 frequ{\^e}ncia no
Brasil e t{\^e}m sido a causa de muitas perdas
socioecon{\^o}micas e fatalidades, a exemplo das
consequ{\^e}ncias do chamado Mega-desastre em Nova Friburgo em
2011. Para evit{\'a}-los, os mapas de Uso e Cobertura do Solo
(LULC) e os invent{\'a}rios de deslizamentos s{\~a}o essenciais
para identificar {\'a}reas com alta suscetibilidade. A maioria
dos invent{\'a}rios {\'e} feita usando m{\'e}todos de
interpreta{\c{c}}{\~a}o visual, no entanto, essa abordagem
consome demasiado tempo e recursos. Neste contexto, o objetivo
deste estudo {\'e} utilizar t{\'e}cnicas de
minera{\c{c}}{\~a}o de dados com imagens de s{\'e}ries
temporais de sensoriamento remoto para produzir uma
classifica{\c{c}}{\~a}o LULC e detectar cicatrizes de
deslizamentos por meio de m{\'e}todos semiautom{\'a}ticos. A
{\'a}rea de estudo cobre toda a extens{\~a}o da bacia
hidrogr{\'a}fica 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
precipita{\c{c}}{\~a}o extrema. Foram utilizadas imagens do
Sentinel-2 de 2015 a 2020, que resultaram em 122 datas, com
resolu{\c{c}}{\~a}o temporal de aproximadamente 13 dias.
Diversos atributos foram gerados, sendo eles {\'{\i}}ndices
espectrais, como o {\'{\I}}ndice de Vegeta{\c{c}}{\~a}o por
Diferen{\c{c}}a Normalizada (NDVI), o {\'{\I}}ndice de
Constru{\c{c}}{\~a}o da Diferen{\c{c}}a Normalizada (NDBI) e o
{\'{\I}}ndice de Vegeta{\c{c}}{\~a}o Ajustado do Solo (SAVI).
M{\'e}tricas b{\'a}sicas, polares e fractais foram
extra{\'{\i}}das das s{\'e}ries temporais. Do Modelo Digital de
Eleva{\c{c}}{\~a}o (DEM) fornecido pela SRTM, seis atributos
geomorfom{\'e}tricos foram extra{\'{\i}}dos (declividade,
aspecto, curvatura do horizontal, curvatura vertical, curvatura
geral e {\'{\i}}ndice de umidade topogr{\'a}fico). Em seguida,
a classifica{\c{c}}{\~a}o 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 considera{\c{c}}{\~a}o
apenas 10 atributos e a {\'u}ltima, 436 atributos. Considerando o
ranking de import{\^a}ncia dos atributos, o {\'{\i}}ndice NDBI
ou m{\'e}trica do derivada desse {\'{\i}}ndice apresentou o
primeiro lugar para todas as abordagens, acima do NDVI e do SAVI.
Dentre os atributos geomorfom{\'e}tricos, a declividade foi
classificada entre os 6 primeiros atributos para todos os casos.
Comparando o desempenho das abordagens por meio da an{\'a}lise da
acur{\'a}cia 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 omiss{\~a}o e Bi-temporal (14,67%) para erro de
comiss{\~a}o. Al{\'e}m disso, a partir da
interpreta{\c{c}}{\~a}o de todos os resultados de acur{\'a}cia,
e compreendendo-se que o objetivo era fornecer tanto o mapa de
LULC quanto o produto de invent{\'a}rio de deslizamento, a
abordagem Metrical apresentou o resultado mais ben{\'e}fico,
mostrando altos valores de acur{\'a}cia global e n{\'{\i}}veis
baixos de erros de comiss{\~a}o e omiss{\~a}o.",
committee = "Renn{\'o}, Camilo Daleles (presidente) and K{\"o}rting, Thales
Sehn (orientador) and Namikawa, La{\'e}rcio Massaru and Kawakubo,
Fernando Shinji and Soares, Anderson Reis",
englishtitle = "M{\'e}todos de mapeamento semi-autom{\'a}tico do uso e cobertura
do solo por s{\'e}ries temporais com foco na detec{\c{c}}{\~a}o
de cicatrizes de deslizamentos",
language = "en",
pages = "90",
ibi = "8JMKD3MGP3W34T/44TPHRS",
url = "http://urlib.net/ibi/8JMKD3MGP3W34T/44TPHRS",
targetfile = "publicacao.pdf",
urlaccessdate = "03 maio 2024"
}