<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Thesis">
		<site>mtc-m16b.sid.inpe.br 802</site>
		<holdercode>{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}</holdercode>
		<identifier>6qtX3pFwXQZGivnK2Y/Q5cs9</identifier>
		<repository>sid.inpe.br/mtc-m17@80/2007/05.07.18.51</repository>
		<lastupdate>2008:06.06.14.39.02 cptec.inpe.br/walmeida/2003/04.25.17.12 simone</lastupdate>
		<metadatarepository>sid.inpe.br/mtc-m17@80/2007/05.07.18.51.48</metadatarepository>
		<metadatalastupdate>2019:10.30.20.01.50 cptec.inpe.br/walmeida/2003/04.25.17.12 simone {D 2007}</metadatalastupdate>
		<secondarykey>INPE-15248-TDI/1335</secondarykey>
		<citationkey>Freitas:2007:TéAnSé</citationkey>
		<title>Técnicas de análise de séries temporais aplicadas à detecção de desflorestamento em tempo real</title>
		<alternatetitle>Times-series analysis applied to deforestation detection and characterization in real time</alternatetitle>
		<course>SER-SPG-INPE-MCT-BR</course>
		<year>2007</year>
		<secondarydate>20080521</secondarydate>
		<date>2007-02-28</date>
		<thesistype>Dissertação (Mestrado em Sensoriamento Remoto)</thesistype>
		<secondarytype>TDI</secondarytype>
		<numberofpages>197</numberofpages>
		<numberoffiles>605</numberoffiles>
		<size>32297 KiB</size>
		<author>Freitas, Ramon Morais de,</author>
		<group>SER-SPG-INPE-MCT-BR</group>
		<electronicmailaddress>ramon@dsr.inpe.br</electronicmailaddress>
		<committee>Novo, Evlyn Marcia Leão de Moraes (presidente),</committee>
		<committee>Shimabukuro, Yosio Edemir (orientador),</committee>
		<committee>Rosa, Reinaldo Roberto (orientador),</committee>
		<committee>Valeriano, Dalton de Morisson,</committee>
		<committee>Haertel, Vitor Francisco de Araújo,</committee>
		<university>Instituto Nacional de Pesquisas Espaciais (INPE)</university>
		<city>São José dos Campos</city>
		<transferableflag>1</transferableflag>
		<keywords>Amazônia, detecção de mudanças, desflorestamento, MODIS, sensoriamento remoto, análise de séries temporais, Amazon region, change detection, deforestation, MODIS, remote sensing, time series analysis.</keywords>
		<abstract>A detecção de desflorestamento em tempo real ou próximo do real é de fundamental importância para ações conjuntas de caráter preventivo e punitivo dos órgãos governamentais no que tange a política de controle e prevenção do desflorestamento na Amazônia. Neste contexto, este trabalho tem o objetivo de propor uma metodologia para detecção de desflorestamento em tempo real a partir de imagens MODIS. A metodologia consiste em caracterizar e detectar áreas desflorestadas através de séries espaço temporais de imagens MODIS. A área de estudo proposta para realização da pesquisa compreende três micro-regiões do estado de Mato Grosso que tem sido caracterizada pela alta taxa de desflorestamento nos últimos anos. A detecção do desflorestamento em tempo real utilizou-se das imagens MOD02 diárias adquiridas no período de 2005 a 2006. Seguindo a metodologia PRODES e DETER a detecção das áreas desflorestadas basearam-se nas frações vegetação e solo derivadas do modelo linear de mistura espectral. Para construção das séries espaço-temporais foram utilizados os produtos de reflectância e temperatura de superfície. A caracterização das séries temporais foi baseada em 4 técnicas: wavelets, análise de padrões de gradientes, divergência de KullBack-Leibler e expoente de Hurst. Os dados de campanhas de campo, Projeto DETER, PRODES, imagens CBERS e TM, foram utilizados como verdade terrestre para validação da metodologia. A utilização de imagens multitemporal do produto MOD02 apresentou uma exatidão global de detecção dos focos de desflorestamento (92,72%) quando comparados com os dados de verdade terrestre. Com a utilização das transformadas de wavelets foi possível filtrar e caracterizar a data e o uso do solo após o desflorestamento, i.e., mudança dinâmica da cobertura do solo. Com a análise de padrões de gradiente é proposta uma metodologia para redução da dimensionalidade de dados que permite identificar áreas desflorestadas. Através da Divergência de Kullback-Leibler e Expoente de Hurst foi possível analisar a complexidade estatística e textura das imagens fração vegetação para áreas desflorestadas e áreas de floresta. ABSTRACT: The detection of deforestation in a near real time is of fundamental importance for Government policy and surveillance of forest areas. A near real-time detection would allow control of the increase of new clearings and monitoring of the deforestation pattern and dynamics in Amazonia. In this context, this work has the objective to propose a methodology to detect deforestation in near real time using MODIS images. The methodology consists on to characterize and detect deforested areas using temporal spatial time series of MODIS images. The study area is located in the Mato Grosso State, Brazilian Amazonia, encompassing three micro regions that has been characterized by high deforestation rates in the last years. The detection of deforestation in a near real time used daily MODIS images (MOD02) acquired in 2005 to 2006 time period. Following the PRODES and DETER methodology the detection of deforested areas was based on multitemporal soil and vegetation fraction images derived from linear spectral mixing model. The time-series analysis was based on the surface reflectance and surface temperature products aquired from 2000 to 2006. For the characterization of spatiotemporal time series was used 4 technics: wavelets transforms, gradiente patterns analysis, Hurst exponent and Kullback-Leibler divergency. The field campaign data, PRODES and DETER information, and Landsat TM and CBERS CCD images were utilized as ground truth for validation of the methodology. The use of multitemporal images of MOD02 product presented a global accuracy of 92.72% to detect the deforestation when compared with ground truth. With the use of wavelets transform it was possible to characterize the deforestation date and pos-deforestation land use type. (croplands, pasture or regrowth), i.e., the landcover change dynamics. The Gradient Pattern Analysis showed a new aproach to reduce the dimensionality of data volume for in deforestation detection. The Kullback-Leibler divergency and Hurst exponent were used to analyze the statistical complexity and texture of vegetation fraction images for forest and deforested areas.</abstract>
		<area>SRE</area>
		<language>pt</language>
		<targetfile>publicacao.pdf</targetfile>
		<usergroup>administrator</usergroup>
		<usergroup>jefferson</usergroup>
		<usergroup>simone</usergroup>
		<usergroup>yolanda.souza@mcti.gov.br</usergroup>
		<visibility>shown</visibility>
		<copyholder>SID/SCD</copyholder>
		<readpermission>deny from all and allow from 150.163</readpermission>
		<documentstage>not transferred</documentstage>
		<nexthigherunit>8JMKD3MGPCW/3F3NU5S</nexthigherunit>
		<dissemination>NTRSNASA; BNDEPOSITOLEGAL.</dissemination>
		<hostcollection>lcp.inpe.br/ignes/2004/02.12.18.39 cptec.inpe.br/walmeida/2003/04.25.17.12</hostcollection>
		<username>simone</username>
		<lasthostcollection>cptec.inpe.br/walmeida/2003/04.25.17.12</lasthostcollection>
		<supervisor>Rosa, Reinaldo Roberto,</supervisor>
		<supervisor>Shimabukuro, Yosio Edemir,</supervisor>
		<url>http://mtc-m16b.sid.inpe.br/rep-/sid.inpe.br/mtc-m17@80/2007/05.07.18.51</url>
	</metadata>
</metadatalist>