@MastersThesis{Matosak:2021:MeMaDe,
               author = "Matosak, Bruno Menini",
                title = "Method for mapping deforestation in Cerrado based on deep learning 
                         using Landsat and Sentinel image time series",
               school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
                 year = "2021",
              address = "S{\~a}o Jos{\'e} dos Campos",
                month = "2021-07-29",
             keywords = "deforestation, time series, change detection, LSTM, U-Net, 
                         desmatamento, s{\'e}ries temporais, detec{\c{c}}{\~a}o de 
                         mudan{\c{c}}as.",
             abstract = "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 {\'e} o segundo 
                         maior bioma do Brasil, cobrindo uma {\'a}rea de aproximadamente 2 
                         milh{\~o}es km2. Ele {\'e} considerado um hotspot de 
                         biodiversidade global e {\'e} essencial para a seguran{\c{c}}a 
                         h{\'{\i}}drica do Brasil. Este bioma vem apresentando altas 
                         taxas de mudan{\c{c}}as de uso e cobertura do solo nas 
                         {\'u}ltimas tr{\^e}s d{\'e}cadas, de forma que 50, 51% de toda 
                         a sua vegeta{\c{c}}{\~a}o natural j{\'a} foi removida. Deste 
                         modo, {\'e} crucial que tecnologias capazes de controlar e 
                         monitorar a supress{\~a}o da vegeta{\c{c}}{\~a}o natural do 
                         Cerrado sejam desenvolvidas, para que pol{\'{\i}}ticas de 
                         conserva{\c{c}}{\~a}o ambiental sejam empreendidas. Portanto, 
                         este trabalho visa o desenvolvimento de uma metodologia para a 
                         detec{\c{c}}{\~a}o de desmatamento no Cerrado, combinando duas 
                         arquiteturas de deep learning, LSTM e U-Net, e usando s{\'e}ries 
                         temporais de imagens Landsat e Sentinel. Nos m{\'e}todos 
                         propostos, a LSTM avalia as s{\'e}ries temporais no eixo do tempo 
                         para criar um mapa de probabilidade de desmatamento, o qual {\'e} 
                         analisado pela U-Net junto {\`a} declividade do terreno para 
                         finalmente produzir o mapa de desmatamento. Para avaliar o 
                         potencial da metodologia proposta, duas {\'a}reas de estudos 
                         foram definidas, uma na Bahia e outra no Mato Grosso. Ademais, 
                         tr{\^e}s estrat{\'e}gias para a sele{\c{c}}{\~a}o de amostras 
                         de treinamento foram consideradas, al{\'e}m de s{\'e}ries 
                         temporais diferentes baseadas em imagens Landsat e Sentinel. Os 
                         mapas obtidos foram validados atrav{\'e}s de uma amostragem 
                         aleat{\'o}ria estratificada, usando s{\'e}ries temporais 
                         Sentinel como refer{\^e}ncia. Os resultados apresentaram altas 
                         m{\'e}tricas de precis{\~a}o, alcan{\c{c}}ando os valores 
                         m{\'a}ximos para a precis{\~a}o global e F1-Score de 99, 81% ± 
                         0.21 e 0, 880 ± 0, 118, respectivamente, para a {\'a}rea de 
                         estudos da Bahia e usando s{\'e}ries temporais Sentinel. A 
                         valida{\c{c}}{\~a}o dos resultados mostrou que a metodologia 
                         proposta pode ser usada para gerar mapas de desmatamento para o 
                         Cerrado com uma alta precis{\~a}o, e que al{\'e}m disso tem o 
                         potencial de ser.",
            committee = "K{\"o}rting, Thales Sehn (presidente) and Fonseca, Leila Maria 
                         Garcia (orientadora) and Adami, Marcos (orientador) and Sant'Anna, 
                         Sidnei Jo{\~a}o Siqueira and Feitosa, Raul Queiroz",
         englishtitle = "M{\'e}todo para o mapeamento de desmatamento no Cerrado baseado 
                         em deep learning usando s{\'e}ries temporais de imagens Landsat e 
                         Sentinel",
             language = "en",
                pages = "81",
                  ibi = "8JMKD3MGP3W34T/4578TM2",
                  url = "http://urlib.net/ibi/8JMKD3MGP3W34T/4578TM2",
           targetfile = "publicacao.pdf",
        urlaccessdate = "04 maio 2024"
}