%0 Thesis
%4 sid.inpe.br/mtc-m21d/2021/08.02.15.09
%2 sid.inpe.br/mtc-m21d/2021/08.02.15.09.13
%T Method for mapping deforestation in Cerrado based on deep learning using Landsat and Sentinel image time series
%J Método para o mapeamento de desmatamento no Cerrado baseado em deep learning usando séries temporais de imagens Landsat e Sentinel
%D 2021
%8 2021-07-29
%9 Dissertação (Mestrado em Sensoriamento Remoto)
%P 81
%A Matosak, Bruno Menini,
%E Körting, Thales Sehn (presidente),
%E Fonseca, Leila Maria Garcia (orientadora),
%E Adami, Marcos (orientador),
%E Sant'Anna, Sidnei João Siqueira,
%E Feitosa, Raul Queiroz,
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%C São José dos Campos
%K deforestation, time series, change detection, LSTM, U-Net, desmatamento, séries temporais, detecção de mudanças.
%X 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.
%@language en
%3 publicacao.pdf