| 1. Identificação | ||||||||||
| Tipo de Referência | Tese ou Dissertação (Thesis) | |||||||||
| Site | mtc-m21d.sid.inpe.br | |||||||||
| Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S | |||||||||
| Identificador | 8JMKD3MGP3W34T/4578TM2 | |||||||||
| Repositório | sid.inpe.br/mtc-m21d/2021/08.02.15.09 | |||||||||
| Última Atualização | 2021:11.22.16.33.31 (UTC) simone | |||||||||
| Repositório de Metadados | sid.inpe.br/mtc-m21d/2021/08.02.15.09.13 | |||||||||
| Última Atualização dos Metadados | 2022:04.03.22.29.59 (UTC) administrator | |||||||||
| Chave Secundária | INPE-18498-TDI/3145 | |||||||||
| Chave de Citação | Matosak:2021:MeMaDe | |||||||||
| Título | Method for mapping deforestation in Cerrado based on deep learning using Landsat and Sentinel image time series  | |||||||||
| Título Alternativo | Método para o mapeamento de desmatamento no Cerrado baseado em deep learning usando séries temporais de imagens Landsat e Sentinel | |||||||||
| Curso | SER-SRE-DIPGR-INPE-MCTI-GOV-BR | |||||||||
| Ano | 2021 | |||||||||
| Data | 2021-07-29 | |||||||||
| Data de Acesso | 04 maio 2024 | |||||||||
| Tipo da Tese | Dissertação (Mestrado em Sensoriamento Remoto) | |||||||||
| Tipo Secundário | TDI | |||||||||
| Número de Páginas | 81 | |||||||||
| Número de Arquivos | 1 | |||||||||
| Tamanho | 28298 KiB | |||||||||
| 2. Contextualização | ||||||||||
| Autor | Matosak, Bruno Menini | |||||||||
| Banca | Körting, Thales Sehn (presidente) Fonseca, Leila Maria Garcia (orientadora) Adami, Marcos (orientador) Sant'Anna, Sidnei João Siqueira Feitosa, Raul Queiroz | |||||||||
| Endereço de e-Mail | brunomenini10@gmail.com | |||||||||
| Universidade | Instituto Nacional de Pesquisas Espaciais (INPE) | |||||||||
| Cidade | São José dos Campos | |||||||||
| Histórico (UTC) | 2021-08-02 15:09:13 :: bruno.matosak@inpe.br -> pubtc@inpe.br :: 2021-08-03 15:46:28 :: pubtc@inpe.br -> bruno.matosak@inpe.br :: 2021-10-08 19:46:25 :: bruno.matosak@inpe.br -> pubtc@inpe.br :: 2021-12-13 15:55:37 :: pubtc@inpe.br -> simone :: 2021-12-13 16:01:21 :: simone :: -> 2021 2021-12-13 16:01:22 :: simone -> administrator :: 2021 2022-04-03 22:29:59 :: administrator -> :: 2021 | |||||||||
| 3. Conteúdo e estrutura | ||||||||||
| É a matriz ou uma cópia? | é a matriz | |||||||||
| Estágio do Conteúdo | concluido | |||||||||
| Transferível | 1 | |||||||||
| Palavras-Chave | deforestation time series change detection LSTM U-Net desmatamento séries temporais detecção de mudanças | |||||||||
| Resumo | Cerrado is the second largest biome in Brazil, covering about 2 million km2. It is considered a global biodiversity hotspot and it is essential for Brazils water security. This biome has experienced land use and land cover changes at high rates in the last three decades so that 50.51% of its natural vegetation has been already removed. Thus, it is crucial to provide technologies capable to control and monitor the Cerrado vegetation suppression in order to undertake the environmental conservation policies. Therefore, this work aims to develop a methodology to detect deforestation in Cerrado, combining two deep learning architectures, LSTM and U-Net, and using Landsat and Sentinel image time series. In the proposed method, the LSTM evaluates the time series in relation to the time axis to create a deforestation probability map, which is spatially analyzed by the U-Net algorithm alongside the terrain slope to finally produce deforestation maps. To evaluate the potential of the proposed methodology two study areas were defined, one in Bahia and other in Mato Grosso. Besides, three strategies for training samples selection and also two time series based on Landsat and Sentinel imagery were considered. The resultant maps were validated through a stratified random sampling approach, using Sentinel time series as reference. The results achieved high accuracy metrics, peaking at an overall accuracy and F1-Score of 99.81% ± 0.21 and 0.8795 ± 0.1180, respectively, for the Bahia study area and Sentinel time series. The validation tests showed that the proposed methodology can provide accurate Cerrado deforestation maps, and besides it has potential to be scalable to the entire Cerrado biome, after implementing some improvements. RESUMO: O Cerrado é o segundo maior bioma do Brasil, cobrindo uma área de aproximadamente 2 milhões km2. Ele é considerado um hotspot de biodiversidade global e é essencial para a segurança hídrica do Brasil. Este bioma vem apresentando altas taxas de mudanças de uso e cobertura do solo nas últimas três décadas, de forma que 50, 51% de toda a sua vegetação natural já foi removida. Deste modo, é crucial que tecnologias capazes de controlar e monitorar a supressão da vegetação natural do Cerrado sejam desenvolvidas, para que políticas de conservação ambiental sejam empreendidas. Portanto, este trabalho visa o desenvolvimento de uma metodologia para a detecção de desmatamento no Cerrado, combinando duas arquiteturas de deep learning, LSTM e U-Net, e usando séries temporais de imagens Landsat e Sentinel. Nos métodos propostos, a LSTM avalia as séries temporais no eixo do tempo para criar um mapa de probabilidade de desmatamento, o qual é analisado pela U-Net junto à declividade do terreno para finalmente produzir o mapa de desmatamento. Para avaliar o potencial da metodologia proposta, duas áreas de estudos foram definidas, uma na Bahia e outra no Mato Grosso. Ademais, três estratégias para a seleção de amostras de treinamento foram consideradas, além de séries temporais diferentes baseadas em imagens Landsat e Sentinel. Os mapas obtidos foram validados através de uma amostragem aleatória estratificada, usando séries temporais Sentinel como referência. Os resultados apresentaram altas métricas de precisão, alcançando os valores máximos para a precisão global e F1-Score de 99, 81% ± 0.21 e 0, 880 ± 0, 118, respectivamente, para a área de estudos da Bahia e usando séries temporais Sentinel. A validação dos resultados mostrou que a metodologia proposta pode ser usada para gerar mapas de desmatamento para o Cerrado com uma alta precisão, e que além disso tem o potencial de ser. | |||||||||
| Área | SRE | |||||||||
| Arranjo 1 | urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Method for mapping... | |||||||||
| Arranjo 2 | urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Method for mapping... | |||||||||
| Conteúdo da Pasta doc | acessar | |||||||||
| Conteúdo da Pasta source |
| |||||||||
| Conteúdo da Pasta agreement |
| |||||||||
| 4. Condições de acesso e uso | ||||||||||
| URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34T/4578TM2 | |||||||||
| URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34T/4578TM2 | |||||||||
| Idioma | en | |||||||||
| Arquivo Alvo | publicacao.pdf | |||||||||
| Grupo de Usuários | bruno.matosak@inpe.br pubtc@inpe.br simone | |||||||||
| Visibilidade | shown | |||||||||
| Licença de Direitos Autorais | urlib.net/www/2012/11.12.15.10 | |||||||||
| Permissão de Leitura | allow from all | |||||||||
| Permissão de Atualização | não transferida | |||||||||
| 5. Fontes relacionadas | ||||||||||
| Repositório Espelho | urlib.net/www/2021/06.04.03.40.25 | |||||||||
| Unidades Imediatamente Superiores | 8JMKD3MGPCW/3F3NU5S 8JMKD3MGPCW/46KUATE | |||||||||
| Acervo Hospedeiro | urlib.net/www/2021/06.04.03.40 | |||||||||
| 6. Notas | ||||||||||
| Campos Vazios | academicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid rightsholder schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype | |||||||||