@MastersThesis{Matosak:2021:MeMaDe,
author = "Matosak, Bruno Menini",
title = "Method for mapping deforestation in Cerrado based on deep learning
using Landsat and Sentinel image time series",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2021",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2021-07-29",
keywords = "deforestation, time series, change detection, LSTM, U-Net,
desmatamento, s{\'e}ries temporais, detec{\c{c}}{\~a}o de
mudan{\c{c}}as.",
abstract = "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 {\'e} o segundo
maior bioma do Brasil, cobrindo uma {\'a}rea de aproximadamente 2
milh{\~o}es km2. Ele {\'e} considerado um hotspot de
biodiversidade global e {\'e} essencial para a seguran{\c{c}}a
h{\'{\i}}drica do Brasil. Este bioma vem apresentando altas
taxas de mudan{\c{c}}as de uso e cobertura do solo nas
{\'u}ltimas tr{\^e}s d{\'e}cadas, de forma que 50, 51% de toda
a sua vegeta{\c{c}}{\~a}o natural j{\'a} foi removida. Deste
modo, {\'e} crucial que tecnologias capazes de controlar e
monitorar a supress{\~a}o da vegeta{\c{c}}{\~a}o natural do
Cerrado sejam desenvolvidas, para que pol{\'{\i}}ticas de
conserva{\c{c}}{\~a}o ambiental sejam empreendidas. Portanto,
este trabalho visa o desenvolvimento de uma metodologia para a
detec{\c{c}}{\~a}o de desmatamento no Cerrado, combinando duas
arquiteturas de deep learning, LSTM e U-Net, e usando s{\'e}ries
temporais de imagens Landsat e Sentinel. Nos m{\'e}todos
propostos, a LSTM avalia as s{\'e}ries temporais no eixo do tempo
para criar um mapa de probabilidade de desmatamento, o qual {\'e}
analisado pela U-Net junto {\`a} declividade do terreno para
finalmente produzir o mapa de desmatamento. Para avaliar o
potencial da metodologia proposta, duas {\'a}reas de estudos
foram definidas, uma na Bahia e outra no Mato Grosso. Ademais,
tr{\^e}s estrat{\'e}gias para a sele{\c{c}}{\~a}o de amostras
de treinamento foram consideradas, al{\'e}m de s{\'e}ries
temporais diferentes baseadas em imagens Landsat e Sentinel. Os
mapas obtidos foram validados atrav{\'e}s de uma amostragem
aleat{\'o}ria estratificada, usando s{\'e}ries temporais
Sentinel como refer{\^e}ncia. Os resultados apresentaram altas
m{\'e}tricas de precis{\~a}o, alcan{\c{c}}ando os valores
m{\'a}ximos para a precis{\~a}o global e F1-Score de 99, 81% ±
0.21 e 0, 880 ± 0, 118, respectivamente, para a {\'a}rea de
estudos da Bahia e usando s{\'e}ries temporais Sentinel. A
valida{\c{c}}{\~a}o dos resultados mostrou que a metodologia
proposta pode ser usada para gerar mapas de desmatamento para o
Cerrado com uma alta precis{\~a}o, e que al{\'e}m disso tem o
potencial de ser.",
committee = "K{\"o}rting, Thales Sehn (presidente) and Fonseca, Leila Maria
Garcia (orientadora) and Adami, Marcos (orientador) and Sant'Anna,
Sidnei Jo{\~a}o Siqueira and Feitosa, Raul Queiroz",
englishtitle = "M{\'e}todo para o mapeamento de desmatamento no Cerrado baseado
em deep learning usando s{\'e}ries temporais de imagens Landsat e
Sentinel",
language = "en",
pages = "81",
ibi = "8JMKD3MGP3W34T/4578TM2",
url = "http://urlib.net/ibi/8JMKD3MGP3W34T/4578TM2",
targetfile = "publicacao.pdf",
urlaccessdate = "05 maio 2024"
}