@Article{FranciscoAlme:2012:InImOr,
               author = "Francisco, Cristiane Nunes and Almeida, Cl{\'a}udia Maria de",
          affiliation = "{} and {Instituto Nacional de Pesquisas Espaciais (INPE)}",
                title = "Interpreta{\c{c}}{\~a}o de Imagens Orbitais por meio de Sistema 
                         Especialista para o Mapeamento de Cobertura da Terra em 
                         Regi{\~a}o Montanhosa / Orbital images interpretation by means of 
                         an expert system for land cover mapping in highlands",
              journal = "Sociedade \& Natureza",
                 year = "2012",
               volume = "24",
               number = "2",
                pages = "283--302",
                month = "maio - ago.",
                 note = "Setores de Atividade: Pesquisa e desenvolvimento 
                         cient{\'{\i}}fico, Atividades dos servi{\c{c}}os de tecnologia 
                         da informa{\c{c}}{\~a}o.",
             keywords = "sensoriamento remoto, classifica{\c{c}}{\~a}o de imagens, 
                         an{\'a}lise de imagens baseada em objeto, cobertura da terra, 
                         ALOS, remote sensing, images classification, object-based image 
                         analysis, land cover, ALOS.",
             abstract = "Mapas de cobertura da terra constituem uma importante fonte de 
                         dados para a elabora{\c{c}}{\~a}o de diagn{\'o}stico, 
                         ordenamento e gest{\~a}o do territ{\'o}rio, sendo fundamentais 
                         em projetos de zoneamentos, estudos de impactos ambientais, 
                         mapeamentos de {\'a}reas de riscos, entre outras 
                         aplica{\c{c}}{\~o}es. Em geral, s{\~a}o elaborados com base na 
                         interpreta{\c{c}}{\~a}o de imagens aerotransportadas ou orbitais 
                         e/ou na an{\'a}lise de documentos cartogr{\'a}ficos, conjugadas 
                         a trabalhos de campo. As t{\'e}cnicas tradicionais de 
                         classifica{\c{c}}{\~a}o de imagens baseiam-se na an{\'a}lise 
                         pixel a pixel ou por regi{\~o}es, enfocando as diferen{\c{c}}as 
                         espectrais para extra{\c{c}}{\~a}o de informa{\c{c}}{\~o}es. A 
                         abordagem de an{\'a}lise de imagens baseada em objeto (OBIA), 
                         embora se utilize de regi{\~o}es, representa um avan{\c{c}}o em 
                         rela{\c{c}}{\~a}o {\`a}s classifica{\c{c}}{\~o}es 
                         tradicionais por regi{\~o}es, pois pressup{\~o}e necessariamente 
                         a exist{\^e}ncia de um modelo de conhecimento (rede 
                         sem{\^a}ntica) atrelado ao processo de interpreta{\c{c}}{\~a}o 
                         da cena, que explicita o conhecimento do int{\'e}rprete, 
                         aproximando-se dos processos cognitivos humanos de 
                         interpreta{\c{c}}{\~a}o. Este artigo tem como objetivo analisar 
                         a classifica{\c{c}}{\~a}o de cobertura da terra feita a partir 
                         de imagens orbitais por meio de OBIA. Foram utilizados atributos 
                         estat{\'{\i}}sticos e texturais extra{\'{\i}}dos de imagens 
                         ALOS/AVNIR fusionadas com imagens ALOS/PRISM e de dados de relevo 
                         do banco de dados geomorfom{\'e}tricos TOPODATA. A {\'a}rea de 
                         estudo foi o munic{\'{\i}}pio de Nova Friburgo, situado na 
                         regi{\~a}o serrana do Rio de Janeiro. Para a 
                         valida{\c{c}}{\~a}o da classifica{\c{c}}{\~a}o, foi utilizado 
                         o {\'{\i}}ndice Kappa, que confronta amostras classificadas com 
                         a verdade de campo. O valor do Kappa obtido neste trabalho 
                         alcan{\c{c}}ou 0,85, sendo superior aos encontrados em trabalhos 
                         similares que utilizam t{\'e}cnicas tradicionais de 
                         classifica{\c{c}}{\~a}o. ABSTRACT: Land cover maps are an 
                         important data source for land planning and management, and hence, 
                         are crucial in zoning projects, environmental impact assessment, 
                         risky areas mapping, among other applications. They are usually 
                         derived from the interpretation of airborne or orbital images 
                         and/or the analysis of cartographic products, associated with 
                         field work. The traditional methods of remote sensing images 
                         classification consist either in pixel-per-pixel or region-based 
                         analyses, focusing on spectral differences for information 
                         extraction. The object-based image analysis (OBIA), although also 
                         based on the use of regions, represents an advance in relation to 
                         the traditional region-based classification approaches, for it 
                         relies on a knowledge model (semantic network) appended to the 
                         scene interpretation process, which renders the interpreterīs 
                         knowledge explicit, in a way to resemble the human cognitive 
                         processes. This paper aims to analyze land cover mapping resulting 
                         from the interpretation of remote sensing images using OBIA. 
                         Statistical and textural attributes extracted from ALOS/AVNIR 
                         images pan-sharpened with ALOS/PRISM image as well as relief data 
                         from the TOPODATA geomorphometric database were used as input 
                         data. The study area is Nova Friburgo County, with an area of 933 
                         kmē, located in the mountainous region of Rio de Janeiro State. 
                         The land cover map was validated by the Kappa index, which relates 
                         classified samples with field data. The Kappa value obtained in 
                         this paper was 0.85, which showed to be greater than the ones 
                         found in similar works that used traditional classification 
                         techniques.",
                 issn = "0103-1570",
                label = "lattes: 1861914973833506 2 FranciscoAlme:2012:InImOr",
             language = "pt",
                  url = "http://www.seer.ufu.br/index.php/sociedadenatureza/article/view/13733/pdf",
        urlaccessdate = "30 abr. 2024"
}