%0 Thesis
%4 sid.inpe.br/mtc-m21d/2023/01.21.03.35
%2 sid.inpe.br/mtc-m21d/2023/01.21.03.35.48
%T Land use and land cover mapping and spatiotemporal segmentation based on image time series clustering
%J Mapeamento do uso e cobertura do solo com base em segmentação e agrupamento de séries temporais
%D 2023
%8 2023-01-30
%9 Dissertação (Mestrado em Computação Aplicada)
%P 64
%A Castro e Silva, Baggio Luiz de,
%E Körting, Thales Sehn (presidente),
%E Gomes, Karine Reis Ferreira (orientadora),
%E Queiroz, Gilberto Ribeiro de (orientador),
%E Santos, Rafael Duarte Coelho dos,
%E Neves, Alana Kasahara,
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%C São José dos Campos
%K satellite image time series, LULC Classification, spatiotemporal segmentation, inland water bodies, clustering methods, séries temporais de imagem de satélite, classificação de uso e cobertura, segmentação espaço temporal, corpos d’água interiores, métodos de agrupamento.
%X Land use and land cover mapping is fundamental in various applications such as environmental monitoring, public policy support, territorial management, and many others. The quality of this mapping directly affects its applications, reflecting the quality of the product and the methods used. Many images have been produced with different spatial, temporal, and spectral technologies through technological advances in remote sensing. In addition to producing these resources, open access policies favored the mapping and dissemination of various national and international land use and land cover products. One of the oldest and most widely used techniques in this mapping process is segmentation, which aims to find homogeneous regions in the image based on some attribute. However, this technique only considers information from a single image, which can be affected depending on the cloud cover. One such technique is spatiotemporal segmentation, which aims to find homogeneous regions in space and time. Therefore, this dissertation proposes a spatiotemporal segmentation method and a land use and land cover classification method using clustering methods with a "time-first, space-later" approach. These methods are based on unsupervised algorithms: Self-Organizing Map (SOM) and the Hierarchical Clustering Algorithm (HCA), where the input data are time series extracted from the satellite images to be mapped. Finally, a method for interpolating clouds in the time series of satellite images using Deep Learning was proposed since this is a crucial step in clustering methods that use distance as a similarity requirement. The three proposed approaches were examined, adhering to visual and quantitative assessment principles. In the spatiotemporal segmentation, the methodology was applied to a heterogeneous region southeast of Mato Grosso state. For land use and land cover classification, six distinct regions with varied characteristics of inland waters were selected, which served as a training base and were later applied in four other regions for mapping inland waters. Regarding cloud interpolation in time series, time series distributed throughout Brazil were chosen, using the Sentinel-2/MSI cloud mask (Scene Classification Layer - SCL) as the basis for reference interpolation. RESUMO: O mapeamento de uso e cobertura da terra tem papel fundamental em diversas aplicações como no monitoramento ambiental, no suporte à políticas públicas, na gestão territorial, entre outras. A qualidade desse mapeamento impacta diretamente nas suas aplicações, sendo este o reflexo da qualidade do produto e das metodologias utilizadas. Graças ao avanço tecnológico na área de sensoriamento remoto nos últimos anos, grandes volumes de imagens vêm sendo produzidos com diferentes resoluções espaciais, temporais e espectrais. Aliadas à produção destes recursos, as políticas de acesso aberto favoreceram o mapeamento e a disseminação de diferentes produtos de uso e cobertura da terra nacionais e internacionais. Uma das técnicas mais antigas e difundidas neste processo de mapeamento é a segmentação, que visa encontrar regiões homogêneas na imagem com base em algum atributo. Entretanto, esta técnica considera apenas informação de uma única imagem, que pode ser prejudicada dependendo da cobertura de nuvem. Uma variante desta técnica é a Segmentação espaçotemporal, que tem como objetivo não só encontrar regiões homogêneas no espaço mas também no tempo. Desta maneira, esta dissertação propõe um método segmentação espaçotemporal e um método de classificação de uso e cobertura da terra, baseados em métodos de clusterização utilizando uma abordagem time-first, space-later. Estes métodos têm como base os algoritmos não supervisionados: Self- Organizing Map (SOM) e o Hierarchical Clustering Algorithm (HCA), em que os dados de entrada são séries temporais extraídas das próprias imagens de satélite a serem mapeadas. Por fim foi proposto um método de interpolação de nuvens em séries temporais de imagens de satélite utilizando deep learning visto que esse é um passo crucial em metodologias de clustering que usam a distância como critério de similaridade. As três abordagens propostas foram examinadas, aderindo aos princípios de avaliação visual e quantitativa. Na segmentação espaçotemporal, aplicou-se a metodologia em uma região heterogênea localizada no sudeste do Estado de Mato Grosso. Para a classificação de uso e cobertura, selecionaram-se seis regiões distintas com características variadas de águas interiores, as quais serviram como base de treinamento e foram posteriormente aplicadas em quatro outras regiões para o mapeamento de águas interiores. No que concerne à interpolação de nuvens em séries temporais, foram escolhidas séries temporais distribuídas por todo o Brasil, utilizando-se a máscara de nuvem Sentinel-2/MSI (Scene Classification Layer - SCL) como base para interpolação de referência.
%@language en
%3 publicacao.pdf