Fechar
Metadados

@Article{PereiraReFeSaThPo:2018:AvTGe,
               author = "Pereira, Jorge Luis Gavina and Renn{\'o}, Camilo Daleles and 
                         Ferreira, Leandro Valle and Sales, Gil Mendes and Thal{\^e}s, 
                         Marcelo and Poccard-Chapuis, Ren{\'e}",
          affiliation = "{Museu Paraense Em{\'{\i}}lio Goeldi} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)} and {Museu Paraense Em{\'{\i}}lio 
                         Goeldi} and {Museu Paraense Em{\'{\i}}lio Goeldi} and {Museu 
                         Paraense Em{\'{\i}}lio Goeldi} and Centre de Coop{\'e}ration 
                         Internationale en Recherche Agronomique pour le 
                         D{\'e}veloppement, Syst{\`e}mes d{\'e}levage 
                         m{\'e}diterran{\'e}ens et tropicaux",
                title = "Avalia{\c{c}}{\~a}o de t{\'e}cnicas de 
                         generaliza{\c{c}}{\~a}o de dados matriciais (raster) aplicadas 
                         ao dado do TERRACLASS",
              journal = "Caminhos da Geografia",
                 year = "2018",
               volume = "19",
               number = "65",
                pages = "269--285",
             keywords = "Projeto TerraCert, Uso da terra na Amaz{\^o}nia, Coeficiente 
                         Kappa, TerraCert Project, Land use in the Amazon, Kappa 
                         coefficient.",
             abstract = "O Projeto TerraClass realiza a qualifica{\c{c}}{\~a}o das 
                         {\'a}reas desflorestadas da Amaz{\^o}nia Legal. Os dados 
                         TerraClass s{\~a}o uma fonte de informa{\c{c}}{\~a}o adicional 
                         para os estudos de paisagem, que ser{\~a}o realizados no escopo 
                         do Projeto TerraCert. Manipulando-se o dado matricial do 
                         TerraClass 2014 para Paragominas, Estado do Par{\'a}, observou-se 
                         uma grande quantidade de pol{\'{\i}}gonos correspondentes a um 
                         {\'u}nico pixel, tornado a generaliza{\c{c}}{\~a}o do dado um 
                         passo importante. Neste artigo apresenta-se uma nova t{\'e}cnica 
                         de generaliza{\c{c}}{\~a}o de dados matriciais categ{\'o}ricos 
                         baseado em segmenta{\c{c}}{\~a}o por crescimento de 
                         regi{\~o}es. O artigo tem como objetivo a compara{\c{c}}{\~a}o 
                         de quatro t{\'e}cnicas de generaliza{\c{c}}{\~a}o de dados 
                         matriciais: filtro moda, reamostragem, metodologia ESRI e 
                         segmenta{\c{c}}{\~a}o. O resultado da generaliza{\c{c}}{\~a}o 
                         foi avaliado com rela{\c{c}}{\~a}o ao coeficiente kappa e ao 
                         n{\'u}mero de pol{\'{\i}}gonos resultantes. O filtro moda teve 
                         um bom valor de kappa, mas uma baixa redu{\c{c}}{\~a}o dos 
                         pol{\'{\i}}gonos. A reamostragem apresentou o valor mais baixo 
                         de kappa e uma redu{\c{c}}{\~a}o intermedi{\'a}ria dos 
                         pol{\'{\i}}gonos. A metodologia ESRI apresentou um valor 
                         intermedi{\'a}rio de kappa, no entanto teve a maior 
                         redu{\c{c}}{\~a}o dos pol{\'{\i}}gonos. A 
                         segmenta{\c{c}}{\~a}o obteve o maior valor de kappa e a segunda 
                         maior redu{\c{c}}{\~a}o dos pol{\'{\i}}gonos. A t{\'e}cnica 
                         da segmenta{\c{c}}{\~a}o se revelou uma boa alternativa {\`a} 
                         Metodologia ESRI. ABSTRACT: The TerraClass Project qualifies 
                         deforested areas of the Legal Amazon. TerraClass data are an 
                         additional source of information for landscape studies, which will 
                         be carried out in the scope of the TerraCert Project. When 
                         manipulating 2014 TerraClass raster data to Paragominas, Par{\'a} 
                         state, we observed a large number of polygons corresponding to a 
                         single pixel, making data generalization an important step. In 
                         this paper we present a new technique of generalization of 
                         categorical raster data based on segmentation by region growth. 
                         This paper aims to compare four generalization techniques: 
                         majority filter, resampling, ESRI methodology and segmentation. 
                         The generalization was evaluated with respect to the kappa 
                         coefficient and the number of resulting polygons. The majority 
                         filter had a good kappa value, but a low polygon reduction. 
                         Resampling has presented the lowest kappa value and an 
                         intermediate polygons reduction. The ESRI methodology presented an 
                         intermediate kappa value, however it had the greatest polygons 
                         reduction. Segmentation obtained the highest kappa value and the 
                         second largest polygons reduction. The segmentation technique 
                         proved to be a good alternative to the ESRI methodology.",
                  doi = "10.14393/RCG196520",
                  url = "http://dx.doi.org/10.14393/RCG196520",
                 issn = "1678-6343",
                label = "self-archiving-INPE-MCTIC-GOV-BR",
             language = "pt",
           targetfile = "38760-177303-1-PB.pdf",
        urlaccessdate = "25 nov. 2020"
}


Fechar