Fechar

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitemtc-m21d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34T/4AG24HB
Repositóriosid.inpe.br/mtc-m21d/2024/01.03.19.18   (acesso restrito)
Última Atualização2024:01.03.19.18.14 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21d/2024/01.03.19.18.14
Última Atualização dos Metadados2024:01.15.20.39.17 (UTC) administrator
Chave SecundáriaINPE--PRE/
DOI10.1109/IGARSS52108.2023.10282993
ISBN979-835032010-7
Chave de CitaçãoMatosakFonsMare:2023:CaStLS
TítuloDeep Learning and Cloudy Optical Time Series: A Case of Study with LSTM to Map LULC in Pantanal
Ano2023
Data de Acesso11 maio 2024
Tipo SecundárioPRE CI
Número de Arquivos1
Tamanho1214 KiB
2. Contextualização
Autor1 Matosak, Bruno Menini
2 Fonseca, Leila Maria Garcia
3 Maretto, Raian Vargas
Identificador de Curriculo1
2 8JMKD3MGP5W/3C9JHLD
Grupo1 SER-SRE-DIPGR-INPE-MCTI-GOV-BR
2 DIOTG-CGCT-INPE-MCTI-GOV-BR
Afiliação1 Instituto Nacional de Pesquisas Espaciais (INPE)
2 Instituto Nacional de Pesquisas Espaciais (INPE)
3 University of Twente (UT)
Endereço de e-Mail do Autor1 bruno.matosak@inpe.br
2 leila.fonseca@inpe.br
Nome do EventoInternational Geoscience and Remote Sensing Symposium (IGARSS)
Localização do EventoPasadena
Data16-21 Jul. 2023
Editora (Publisher)IEEE
Título do LivroProceedings
Histórico (UTC)2024-01-03 19:31:33 :: simone -> administrator :: 2023
2024-01-15 20:39:17 :: administrator -> simone :: 2023
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo do ConteúdoExternal Contribution
Tipo de Versãopublisher
Palavras-ChaveClouds
LULC
Machine Learning
Pantanal
Time Series
ResumoCloud and cloud shadows are a main source of concern when using dense time series of optical remote sensing images. Machine learning has the potential to effortlessly overcome this barrier using Long Short-Term Memory (LSTM), which is a deep learning algorithm created to analyze time series and has parts dedicated to suppress irrelevant information. In this context, we evaluated the ability of models with LSTM layers to create LULC maps using either cloudy or gap-filled Landsat-8/OLI time series for Pantanal. Five different LSTM models were trained with tenfold cross validation using samples gathered by the authors. Our results indicate that simple models are more accurate with filled time series, but this difference in accuracy was not present in more complex models. We also present a LULC map created for the entire Pantanal.
ÁreaSRE
Arranjo 1urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > SER > Deep Learning and...
Arranjo 2urlib.net > BDMCI > Fonds > Produção a partir de 2021 > CGCT > Deep Learning and...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 03/01/2024 16:18 1.0 KiB 
4. Condições de acesso e uso
Idiomaen
Arquivo AlvoDeep_Learning_and_Cloudy_Optical_Time_Series_A_Case_of_Study_with_LSTM_to_Map_LULC_in_Pantanal (1).pdf
Grupo de Usuáriossimone
Grupo de Leitoresadministrator
simone
Visibilidadeshown
Permissão de Leituradeny from all and allow from 150.163
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2021/06.04.03.40.25
Unidades Imediatamente Superiores8JMKD3MGPCW/3F3NU5S
8JMKD3MGPCW/46KUATE
Lista de Itens Citandosid.inpe.br/bibdigital/2013/10.18.22.34 2
Acervo Hospedeirourlib.net/www/2021/06.04.03.40
6. Notas
Campos Vaziosarchivingpolicy archivist callnumber copyholder copyright creatorhistory descriptionlevel dissemination e-mailaddress edition editor format issn label lineage mark nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project publisheraddress rightsholder schedulinginformation secondarydate secondarymark serieseditor session shorttitle sponsor subject tertiarymark tertiarytype type url volume
7. Controle da descrição
e-Mail (login)simone
atualizar 


Fechar