Close

1. Identity statement
Reference TypeThesis or Dissertation (Thesis)
Sitemtc-m21c.sid.inpe.br
Holder Codeisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identifier8JMKD3MGP3W34R/42L55PP
Repositorysid.inpe.br/mtc-m21c/2020/06.09.11.59
Last Update2020:07.21.16.32.59 (UTC) simone
Metadata Repositorysid.inpe.br/mtc-m21c/2020/06.09.11.59.26
Metadata Last Update2020:07.21.16.36.54 (UTC) simone
Secondary KeyINPE-18312-TDI/2988
Citation KeyMaretto:2020:DeLeBa
TitleAutomating land cover change detection: a deep learning based approach to map deforested areas
Alternate TitleMapeamento automático de mudanças na cobertura da terra: uma abordagem baseada em deep learning para mapeamento de áreas desmatadas
CourseCAP-COMP-SESPG-INPE-MCTIC-GOV-BR
Year2020
Date2020-03-20
Access Date2024, Mar. 28
Thesis TypeTese (Doutorado em Computação Aplicada)
Secondary TypeTDI
Number of Pages80
Number of Files1
Size14836 KiB
2. Context
AuthorMaretto, Raian Vargas
CommitteeSant'Anna, Sidnei João Siqueira (presidente)
Fonseca, Leila Maria Garcia (orientadora)
Körting, Thales Sehn (orientador)
Santos, Rafael Duarte Coelho dos
Negri, Rogério Galante
Jacobs, Nathan
e-Mail Addressrvmaretto@gmail.com
UniversityInstituto Nacional de Pesquisas Espaciais (INPE)
CitySão José dos Campos
History (UTC)2020-06-09 11:59:26 :: pubtc@inpe.br -> raian.maretto@inpe.br ::
2020-06-10 06:18:25 :: raian.maretto@inpe.br -> pubtc@inpe.br ::
2020-07-07 17:25:52 :: pubtc@inpe.br -> simone ::
2020-07-07 17:34:46 :: simone :: -> 2020
2020-07-07 18:18:24 :: simone -> administrator :: 2020
2020-07-09 10:56:39 :: administrator -> simone :: 2020
2020-07-21 16:36:54 :: simone -> :: 2020
3. Content and structure
Is the master or a copy?is the master
Content Stagecompleted
Transferable1
Keywordsdeep learning
machine learning
deforestation mapping
convolutional neural networks
deep neural networks
aprendizado de máquina
mapeamento de desmatamento
redes neurais convolucionais
redes neurais profundas
AbstractAccurate maps are an important tool for informing effective deforestation containment policies. The main existing mapping approaches to produce these maps are largely manual, requiring significant effort by trained experts. In recent years, Deep Learning (DL) have emerged becoming the state-of-the-art in Machine Learning and Pattern Recognition. Despite its effectiveness, the computational concepts behind these methods are very complex, as well as the computational platforms available to implement it. This complexity makes it difficult for a Remote Sensing analyst without a strong programming background to perform image analysis using those methods. Furthermore, despite DL have been successfully applied in many Remote Sensing studies, most of those have focused on the detection of very specific urban targets in high-resolution imagery, due to the high availability of reference and benchmark datasets with these characteristics. The lower number of studies on the application of DL to medium and low-resolution imagery and to another types of targets have been attributed, among other reasons, to the lack of reference and benchmark datasets for these types of images. Within this context, this thesis has three main contributions. First, we developed DeepGeo, a toolbox that provides modern DL algorithms for Remote Sensing image classification and analysis. DeepGeo focuses on providing easy-to-use and extensible methods, making it easier to those analysts without strong programming skills to use those DL methods. It is distributed as free and open source package and is available at https://github.com/rvmaretto/deepgeo. Second, we present the PRODES-Vision collection of dataset, a collection of reference dataset of deforested areas, based on PRODES deforestation maps, to train Deep Neural Networks, as well as a methodology to the generation of reference datasets based on thematic maps. We believe that these datasets would encourage the development of new methods for automatically map Land Use and Land Cover changes. And finally, we propose a fully automatic mapping approach based on spatio-temporal convolutional neural networks aiming to reduce the effort of mapping deforested areas. Furthermore, we propose two spatio-temporal variations of the U-Net architecture, which make it possible to incorporate both spatial and temporal contexts. Using a real-world dataset, we show that our method outperforms a traditional UNet architecture, achieving approximately 95% accuracy. We also demonstrate that our preprocessing protocol reduces the impact of noise in the training dataset. To demonstrate the scalability of our method, it was applied to map deforestation over the entire Pará State, achieving approximately 94% overall accuracy. And finally, to demonstrate its applicability to another areas, it was applied to a region of the Brazilian Cerrado, achieving approximately 91% overall accuracy. RESUMO: Mapas precisos constituem uma importante ferramenta para fornecer informações para políticas efetivas de combate ao desmatamento. Os principais métodos existentes para este tipo de mapeamento são manuais, demandando grande esforço de especialistas treinados. Nos últimos anos, métodos de Deep Learning (DL) se tornaram o estado-da-arte em Machine Learning e Reconhecimento de Padrões. Porém, apesar da eficácia destes métodos, eles são constituídos de conceitos computacionais complexos, assim como as plataformas disponíveis para implementação dos mesmos. Esta complexidade torna mais difícil para um analista de Sensoriamento Remoto sem um conhecimento profundo em programação executar classificações e análises baseadas nestes métodos. Além disso, apesar dos métodos de DL terem sido aplicados com sucesso em muitos estudos de Sensoriamento Remoto, a maioria destes estudos foca na detecção de alvos urbanos muito específicos em imagens de alta resolução, devido à grande disponibilidade de datasets de referência e benchmarks com estas características. O baixo número de estudos aplicando métodos de DL à imagens de média e baixa resolução espacial e à outros tipos de alvos tem sido atribuído, entre outras razões, à falta de datasets de referência e benchmarks para para este tipo de imagens. Neste contexto, esta tese tem três principais contribuições. Primeiramente, desenvolvemos a plataforma DeepGeo, que dispõe de algoritmos modernos de DL para a classificação e análise de imagens de Sensoriamento Remoto. A plataforma DeepGeo foca em fornecer métodos extensíveis e fáceis de usar, facilitando assim que analistas sem um profundo conhecimento em programação usem métodos de DL em suas análises. A plataforma é distribuída como um pacote gratuito e de código aberto, disponível em https://github.com/rvmaretto/deepgeo. Segundo, apresentamos a coleção de datasets PRODES-Vision, uma coleção de datasets de referência de áreas desmatadas, baseado nos mapas de desmatamento fornecidos pelo programa PRODES, para o treinamento de Redes Neurais Profundas. Acreditamos que estes datasets podem encorajar o desenvolvimento de novos métodos para a automatização do mapeamento de mudanças no uso e cobertura da terra. Por fim, visando reduzir o esforço do mapeamento de áreas desmatadas, propomos uma abordagem totalmente automática baseada em Redes Neurais Convolucionais espaço-temporais. Nesta abordagem, propomos duas variações espaço-temporais da arquitetura U-Net, que possibilita incorporar ambos os contextos espacial e temporal. Usando um dataset real, mostramos que nosso método supera a U-Net tradicional, conseguindo uma acurácia de aproximadamente 95%. Demonstramos também que o protocolo de pré-processamento proposto reduz o impacto de ruídos nos datasets de treinamento. Para demonstrar a escalabilidade de nosso método, este foi aplicado ao mapeamento do desmatamento em todo o estado do Pará, com uma acurácia aproximada de 94%. Finalmente, para demonstrar a aplicabilidade para outras áreas, o mesmo foi aplicado à uma área do Cerrado Brasileiro, obtendo uma acurácia de aproximadamente 91%.
AreaCOMP
Arrangementurlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Automating land cover...
doc Directory Contentaccess
source Directory Content
Originais/@4primeirasPaginas.pdf 07/07/2020 15:28 417.2 KiB 
Originais/agradecimentos.pdf 20/07/2020 11:59 110.8 KiB 
Originais/aprovacao.pdf 07/07/2020 15:52 29.5 KiB 
Originais/resumo.pdf 20/07/2020 11:58 129.7 KiB 
Originais/Tese_Raian_cor_v4.pdf 20/07/2020 11:45 14.1 MiB
agreement Directory Content
agreement.html 09/06/2020 08:59 1.0 KiB 
autorizacao.pdf 07/07/2020 14:34 72.5 KiB 
4. Conditions of access and use
data URLhttp://urlib.net/ibi/8JMKD3MGP3W34R/42L55PP
zipped data URLhttp://urlib.net/zip/8JMKD3MGP3W34R/42L55PP
Languageen
Target Filepublicacao.pdf
User Grouppubtc@inpe.br
raian.maretto@inpe.br
simone
Visibilityshown
Copyright Licenseurlib.net/www/2012/11.12.15.10
Rightsholderoriginalauthor yes
Read Permissionallow from all
Update Permissionnot transferred
5. Allied materials
Mirror Repositoryurlib.net/www/2017/11.22.19.04.03
Next Higher Units8JMKD3MGPCW/3F2PHGS
Host Collectionurlib.net/www/2017/11.22.19.04
6. Notes
Empty Fieldsacademicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype


Close