@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"
}