Detecção Remota e Sistemas de Informação Geográfica para produção de cartografia de uso e ocupação do solo

Abstract

Resumo -A principal finalidade da metodologia apresentada neste documento é a criação e a validação, através da aplicação a um caso de estudo, de uma forma eficiente de classificação de imagens de satélite, que integra informação auxiliar (dados dos Censos, do Plano Director Municipal e a rede viária) e dados provenientes de Detecção Remota, num Sistema de Informação Geográfica. O procedimento desenvolvido segue uma estratégia de classificação por níveis, sendo composto por três etapas principais: Estratificação pré-classificação; Aplicação dos classificadores de Bayes e de Máxima Verosimilhança (MV); Aplicação de regras de pós-classificação. As abordagens comuns incorporam os dados auxiliares antes, durante ou depois da classificação. No método proposto recorre-se a esse tipo de informação em todas as etapas. O método consegue, globalmente, melhores resultados que os classificadores clássicos: Mínima Distância, Paralelepípedo e Máxima Verosimilhança (MV). Além disso, melhora substancialmente a exactidão das classes onde o processo de classificação faz uso da informação auxiliar.Palavras-chave: Sistemas de Informação Geográfica (SIG), detecção remota, informação auxiliar. Abstract -REMOTE SENSING AND GEOGRAPHIC INFORMATION SYSTEMS IN THE PRODUCTION OF LAND USE MAPS.The main purpose of this research is to develop and validate an efficient form of satellite image classification that integrates ancillary information (Census data; the Municipal Master Plan; the Road Network) and remote sensing data in a Geographic Information System. The developed procedure follows a layered classification approach, comprising three main stages: Pre-classification stratification; Application of Bayesian and Maximum-likelihood classifiers; Post-classification sorting. Common approaches incorporate the ancillary data before, during or after classification. In the proposed method, all the steps take the ancillary information into account. The proposed method achieves, much better classification results than the classical, one layer, Minimum Distance and Maximum-likelihood (ML) classifiers. Also, it greatly improves the accuracy of those classes where the classification process uses the ancillary data.

Transformações Espaciais Na Bacia Hidrográfica Do Lago Guaíba/Rs No Período 1985 a 2020 E Cenários Para 2030 E 2050

“…O modelo utiliza o método de inferência estatística e as abordagens de alocação de autômatos celularesPENNACHIN;CERQUEIRA, 2002). Autômatos Celulares são entendidos como sistemas espaciais dinâmicos, que têm por base a ideia de que o estado de uma célula (pixel) da matriz depende do estado prévio das células que se encontram dentro de uma determinada vizinhança, de acordo com um conjunto de regras de transição(ROCHA, 2012).O ano de 2030 foi selecionado por ser o horizonte para os 17 Objetivos de Desenvolvimento Sustentável no Brasil da Organização das Nações Unidas (ONU), especialmente o Objetivo 15 -Vida terrestre, que visa "Proteger, recuperar e promover o uso sustentável dos ecossistemas terrestres, gerir de forma sustentável as florestas, combater a desertificação, deter e reverter a degradação da terra e deter a perda de biodiversidade" (ONU, 2022) e 2050 por ser referência para a Avaliação Ecossistêmica do Milênio (MEA, 2005).O Dinamica EGO segue dez etapas que consistem em: 1) Calcular matrizes de transição; 2) Calcular intervalos para categorizar variáveis contínuas; 3) Calcular os Pesos de Evidência; 4) Analisar a correlação de mapas; 5) Montar e rodar o modelo de simulação de uso e cobertura da terra; 6) Validar a simulação usando a função de decaimento exponencial; 7) Validar a simulação usando a função de decaimento constante; 8) Rodar a simulação com a formação de manchas (patch); 9) Rodar a simulação com a formação e expansão de manchas; 10) Projetar as trajetórias de uso e cobertura da terra.Além dos mapas de paisagem inicial e final, correspondentes aos mapas em arquivo raster do Projeto Mapbiomas para os anos 1985 e 2020, respectivamente, o modelo recebeu um conjunto de mapas denominado cubo raster composto por uma série de mapas estáticos, assim denominados porque não mudam durante a iteração do modelo. Os mapas que compuseram o cubo raster foram elevação, provenientes do Shuttle Radar Topography Mission(SRTM, 2007), declividade (em graus, a partir da elevação SRTM), solos(STRECK et al, 2008), hidrografia (SEMA, 2018, rodovias pavimentadas(SEMA, 2018) e áreas urbanas(SEMA, 2018…”

Augmented valuation of cultural heritage through digital representatiton based upon geographic information technologies : the case study of Lisbon Aqueduct System within an augmented reality environment

“…(Goodchild, 2007). Thus, many domains can access enormous amounts of geospatial data (Big Data), allowing geosimulation in a bottom up perspective (Rocha, 2012). Volunteered Geographic Information (georeferenced) and the widespread usage of smartphones (considering their capabilities) are turning humans into sensors.…”