@Article{CarlosGoQuSoFeSa:2021:InOpDa,
               author = "Carlos, Felipe Menino and Gomes, Vitor Conrado Faria and Queiroz, 
                         Gilberto Ribeiro de and Souza, Felipe Carvalho de and Ferreira, 
                         Karine Reis and Santos, Rafael Duarte Coelho dos",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         de Estudos Avan{\c{c}}ados (IEAv)} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)} and {Instituto Nacional de Pesquisas 
                         Espaciais (INPE)} and {Instituto Nacional de Pesquisas Espaciais 
                         (INPE)} and {Instituto Nacional de Pesquisas Espaciais (INPE)}",
                title = "Integrating Open Data Cube and Brazil Data Cube Platforms for Land 
                         Use and Cover Classifications",
              journal = "Revista Brasileira de Cartografia",
                 year = "2021",
               volume = "73",
               number = "4",
                pages = "1036--1047",
             keywords = "Earth observation data cube, Land use and land cover 
                         classification, Open data cube, Brazil data cube, Cubo de dados de 
                         observa{\c{c}}{\~a}o da terra, Classifica{\c{c}}{\~a}o de uso 
                         e cobertura da terra, Open data cube, Brazil data cube.",
             abstract = "The potential to perform spatiotemporal analysis of the Earth's 
                         surface, fostered by a large amount of Earth Observation (EO) open 
                         data provided by space agencies, brings new perspectives to create 
                         innovative applications. Nevertheless, these big datasets pose 
                         some challenges regarding storage and analytical processing 
                         capabilities. The organization of these datasets as 
                         multidimensional data cubes represents the state-of-the-art in 
                         analysis-ready data regarding information extraction. EO data 
                         cubes can be defined as a set of time-series images associated 
                         with spatially aligned pixels along the temporal dimension. Some 
                         key technologies have been developed to take advantage of the data 
                         cube power. The Open Data Cube (ODC) framework and the Brazil Data 
                         Cube (BDC) platform provide capabilities to access and analyze EO 
                         data cubes. This paper introduces two new tools to facilitate the 
                         creation of land use and land over (LULC) maps using EO data cubes 
                         and Machine Learning techniques, and both built on top of ODC and 
                         BDC technologies. The first tool is a module that extends the ODC 
                         framework capabilities to lower the barriers to use Machine 
                         Learning (ML) algorithms with EO data. The second tool relies on 
                         integrating the R package named Satellite Image Time Series (sits) 
                         with ODC to enable the use of the data managed by the framework. 
                         Finally, water mask classification and LULC mapping applications 
                         are presented to demonstrate the processing capabilities of the 
                         tools. RESUMO: O potencial para realizar an{\'a}lises 
                         espa{\c{c}}o-temporais da superf{\'{\i}}cie terrestre, 
                         fomentado por uma grande quantidade de dados abertos de 
                         Observa{\c{c}}{\~a}o da Terra (EO) fornecidos por ag{\^e}ncias 
                         espaciais, traz novas perspectivas para a cria{\c{c}}{\~a}o de 
                         aplica{\c{c}}{\~o}es inovadoras. No entanto, estes grandes 
                         conjuntos de dados trazem novos desafios em rela{\c{c}}{\~a}o 
                         {\`a}s capacidades de armazenamento e processamento 
                         anal{\'{\i}}tico. A organiza{\c{c}}{\~a}o desses conjuntos 
                         como cubos de dados representa o estado da arte na 
                         disponibiliza{\c{c}}{\~a}o de dados prontos para an{\'a}lise e, 
                         consequentemente, para realiza{\c{c}}{\~a}o de 
                         extra{\c{c}}{\~a}o de informa{\c{c}}{\~a}o. Os cubos de dados 
                         de EO podem ser definidos como um conjunto de s{\'e}ries 
                         temporais de imagens alinhadas no tempo e espa{\c{c}}o. Algumas 
                         tecnologias-chave foram desenvolvidas para aproveitar o poder dos 
                         cubos de dados. O framework Open Data Cube (ODC) e a plataforma 
                         Brazil Data Cube (BDC) fornecem recursos para acessar e analisar 
                         esses dados. Este trabalho introduz duas novas ferramentas para 
                         facilitar a cria{\c{c}}{\~a}o de mapas uso e cobertura da terra 
                         (LULC), utilizando cubos de dados e t{\'e}cnicas de Aprendizado 
                         de M{\'a}quina (ML), criadas com base nas tecnologias ODC e BDC. 
                         A primeira ferramenta {\'e} um m{\'o}dulo que estende as 
                         capacidades do ODC para facilitar a utiliza{\c{c}}{\~a}o de 
                         algoritmos de ML com dados de EO. A segunda ferramenta realiza a 
                         integra{\c{c}}{\~a}o do pacote R denominado Satellite Image Time 
                         Series (sits) com o ODC para possibilitar o uso dos dados 
                         gerenciados por este framework. Para demonstrar o potencial de 
                         processamento das ferramentas desenvolvidas duas 
                         aplica{\c{c}}{\~o}es foram geradas. A primeira trata da 
                         cria{\c{c}}{\~a}o de uma m{\'a}scara de {\'a}gua, enquanto a 
                         segunda da produ{\c{c}}{\~a}o de um mapa de LULC.",
                  doi = "10.14393/rbcv73n4-60387",
                  url = "http://dx.doi.org/10.14393/rbcv73n4-60387",
                 issn = "0560-4613 and 1808-0936",
                label = "lattes: 1671507766861221 1 CarlosGoQuSoFeSa:2021:InOpDa",
             language = "pt",
           targetfile = "carlos_integrating.pdf",
        urlaccessdate = "11 maio 2024"
}