<?xml version="1.0" encoding="ISO-8859-1"?>
<metadatalist>
	<metadata ReferenceType="Thesis">
		<site>mtc-m21d.sid.inpe.br 808</site>
		<holdercode>{isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S}</holdercode>
		<identifier>8JMKD3MGP3W34T/4AKLQD2</identifier>
		<repository>sid.inpe.br/mtc-m21d/2024/01.26.12.36</repository>
		<lastupdate>2024:03.28.19.53.40 urlib.net/www/2021/06.04.03.40 simone</lastupdate>
		<metadatarepository>sid.inpe.br/mtc-m21d/2024/01.26.12.36.50</metadatarepository>
		<metadatalastupdate>2024:04.04.08.39.23 sid.inpe.br/bibdigital@80/2006/04.07.15.50 administrator</metadatalastupdate>
		<secondarykey>INPE- 18796-TDI/3399</secondarykey>
		<citationkey>Coelho:2024:AvUsAu</citationkey>
		<title>Avaliação do uso do AutoML para a classificação de áreas queimadas usando séries temporais do satélite Landsat-8</title>
		<alternatetitle>Assessment of AutoML usage on burned area classification using Landsat-8 time series</alternatetitle>
		<course>CAP-COMP-DIPGR-INPE-MCTI-GOV-BR</course>
		<year>2024</year>
		<date>2023-12-13</date>
		<thesistype>Dissertação (Mestrado em Computação Aplicada)</thesistype>
		<secondarytype>TDI</secondarytype>
		<numberofpages>101</numberofpages>
		<numberoffiles>2</numberoffiles>
		<size>6935 KiB</size>
		<author>Coelho, Marcelly Homem,</author>
		<committee>Queiroz, Gilberto Ribeiro de (presidente),</committee>
		<committee>Santos, Rafael Duarte Coelho dos (orientador),</committee>
		<committee>Bittencourt, Olga Regina Fradico de Oliveira (orientadora),</committee>
		<committee>Lorena, Ana Carolina,</committee>
		<committee>Perez, Anderson Luiz Fernandes,</committee>
		<e-mailaddress>marcellyhc@gmail.com</e-mailaddress>
		<university>Instituto Nacional de Pesquisas Espaciais (INPE)</university>
		<city>São José dos Campos</city>
		<transferableflag>1</transferableflag>
		<keywords>área queimada, aprendizado de máquina, classificação, série temporal, burnt area, machine learning, classification, time series.</keywords>
		<abstract>As queimadas representam um desafio global e afetam grandes extensões de vegetação nativa, causando impactos negativos no âmbito social, econômico e ecológico. A classificação de áreas queimadas em imagens de satélite é de interesse para automatizar o mapeamento de regiões que sofreram queimas e, dessa forma, ajudar a otimizar a alocação de recursos destinados a essa problemática. Esta dissertação descreve o desenvolvimento de um método baseado em aprendizado de máquina para a classificação automática de áreas queimadas por meio de análises de séries temporais do satélite Landsat-8. A pergunta de pesquisa que pretende-se responder consiste em É possível determinar áreas queimadas por meio de séries temporais de índices espectrais referentes a pontos geográficos?. Dentro do escopo desse trabalho, demonstra-se que um modelo de classificação supervisionada, treinado com amostras de queimadas de um ano específico, é capaz de ser generalizado para classificar ocorrências de queimadas em períodos anuais subsequentes. Para avaliação do método proposto, foram conduzidos seis experimentos distintos, com o experimento final usando os conjuntos de dados correspondentes aos anos de 2018 e 2019 para o treinamento do modelo, enquanto o conjunto de dados de 2020 foi empregado para fins de teste. Foram analisadas as métricas de desempenho: taxa de acerto média, precisão, revocação e F1-score. Os resultados obtidos por meio do modelo Support Vector Machine (SVM) treinado com o algoritmo de otimização Stochastic Gradient Descent (SGD) revelaram uma taxa de acerto média na classificação de áreas queimadas e não queimadas de 95,55% com desvio padrão de 1,78%. Esta dissertação contribui para o avanço das técnicas de identificação de queimadas, oferecendo uma abordagem eficaz e precisa que se mostra promissora para a gestão de recursos e a mitigação de impactos ambientais. ABSTRACT: Wildfires pose a worldwide challenge, impacting vast stretches of native vegetation and giving rise to adverse effects on social, economic, and ecological dimensions. The classification of burned areas in satellite imagery is of interest for automating the mapping of affected regions, ultimately aiding the allocation of resources addressed to this issue. This dissertation describes the development of a machine learningbased approach for the automated classification of burned areas employing some time series of Landsat-8 images. The proposed research question is: Is it possible to identify burned areas from spectral indexes time series referred to geographical locations? Within the scope of this work, it is shown that a supervised classification model, trained with samples from a specific year is capable of generalizing into subsequent years of data. Six separate experiments were conducted to evaluate the proposed method, with the final one using datasets corresponding to the years of 2018 and 2019 for training the model, while datasets from 2020 were used for testing. The following performance metrics were assessed: accuracy, precision, recall, and F1- score. The results obtained with a Support Vector Machine (SVM) model trained with the Stochastic Gradient Descent (SGD) optimization algorithm reveled an accuracy of 95,55% with a standard deviation of 1,78%. This dissertation contibutes to the advancement of burned area identification methods, presenting an effective and accurate approach with promissing applications in resource management and environmental impact mitigation.</abstract>
		<area>COMP</area>
		<language>pt</language>
		<targetfile>publicacao.pdf</targetfile>
		<usergroup>luis.cpv@hotmail.com</usergroup>
		<usergroup>simone</usergroup>
		<visibility>shown</visibility>
		<copyright>urlib.net/www/2012/11.12.15.10</copyright>
		<rightsholder>originalauthor yes</rightsholder>
		<readpermission>allow from all</readpermission>
		<documentstage>not transferred</documentstage>
		<mirrorrepository>urlib.net/www/2021/06.04.03.40.25</mirrorrepository>
		<nexthigherunit>8JMKD3MGPCW/3F2PHGS</nexthigherunit>
		<nexthigherunit>8JMKD3MGPCW/46KUES5</nexthigherunit>
		<hostcollection>urlib.net/www/2021/06.04.03.40</hostcollection>
		<agreement>autorizacao.pdf .htaccess .htaccess2</agreement>
		<lasthostcollection>urlib.net/www/2021/06.04.03.40</lasthostcollection>
		<supervisor>Bittencourt, Olga Regina Fradico de Oliveira,</supervisor>
		<supervisor>Santos, Rafael Duarte Coelho dos,</supervisor>
		<url>http://mtc-m21d.sid.inpe.br/rep-/sid.inpe.br/mtc-m21d/2024/01.26.12.36</url>
	</metadata>
</metadatalist>