@MastersThesis{Coelho:2024:AvUsAu,
author = "Coelho, Marcelly Homem",
title = "Avalia{\c{c}}{\~a}o do uso do AutoML para a
classifica{\c{c}}{\~a}o de {\'a}reas queimadas usando
s{\'e}ries temporais do sat{\'e}lite Landsat-8",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2024",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2023-12-13",
keywords = "{\'a}rea queimada, aprendizado de m{\'a}quina,
classifica{\c{c}}{\~a}o, s{\'e}rie temporal, burnt area,
machine learning, classification, time series.",
abstract = "As queimadas representam um desafio global e afetam grandes
extens{\~o}es de vegeta{\c{c}}{\~a}o nativa, causando impactos
negativos no {\^a}mbito social, econ{\^o}mico e ecol{\'o}gico.
A classifica{\c{c}}{\~a}o de {\'a}reas queimadas em imagens de
sat{\'e}lite {\'e} de interesse para automatizar o mapeamento de
regi{\~o}es que sofreram queimas e, dessa forma, ajudar a
otimizar a aloca{\c{c}}{\~a}o de recursos destinados a essa
problem{\'a}tica. Esta disserta{\c{c}}{\~a}o descreve o
desenvolvimento de um m{\'e}todo baseado em aprendizado de
m{\'a}quina para a classifica{\c{c}}{\~a}o autom{\'a}tica de
{\'a}reas queimadas por meio de an{\'a}lises de s{\'e}ries
temporais do sat{\'e}lite Landsat-8. A pergunta de pesquisa que
pretende-se responder consiste em {\'E} poss{\'{\i}}vel
determinar {\'a}reas queimadas por meio de s{\'e}ries temporais
de {\'{\i}}ndices espectrais referentes a pontos
geogr{\'a}ficos?. Dentro do escopo desse trabalho, demonstra-se
que um modelo de classifica{\c{c}}{\~a}o supervisionada,
treinado com amostras de queimadas de um ano espec{\'{\i}}fico,
{\'e} capaz de ser generalizado para classificar ocorr{\^e}ncias
de queimadas em per{\'{\i}}odos anuais subsequentes. Para
avalia{\c{c}}{\~a}o do m{\'e}todo 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 m{\'e}tricas de
desempenho: taxa de acerto m{\'e}dia, precis{\~a}o,
revoca{\c{c}}{\~a}o e F1-score. Os resultados obtidos por meio
do modelo Support Vector Machine (SVM) treinado com o algoritmo de
otimiza{\c{c}}{\~a}o Stochastic Gradient Descent (SGD) revelaram
uma taxa de acerto m{\'e}dia na classifica{\c{c}}{\~a}o de
{\'a}reas queimadas e n{\~a}o queimadas de 95,55% com desvio
padr{\~a}o de 1,78%. Esta disserta{\c{c}}{\~a}o contribui para
o avan{\c{c}}o das t{\'e}cnicas de identifica{\c{c}}{\~a}o de
queimadas, oferecendo uma abordagem eficaz e precisa que se mostra
promissora para a gest{\~a}o de recursos e a
mitiga{\c{c}}{\~a}o 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.",
committee = "Queiroz, Gilberto Ribeiro de (presidente) and Santos, Rafael
Duarte Coelho dos (orientador) and Bittencourt, Olga Regina
Fradico de Oliveira (orientadora) and Lorena, Ana Carolina and
Perez, Anderson Luiz Fernandes",
englishtitle = "Assessment of AutoML usage on burned area classification using
Landsat-8 time series",
language = "pt",
pages = "101",
ibi = "8JMKD3MGP3W34T/4AKLQD2",
url = "http://urlib.net/ibi/8JMKD3MGP3W34T/4AKLQD2",
targetfile = "publicacao.pdf",
urlaccessdate = "28 abr. 2024"
}