@InProceedings{NovackKuxMontPinh:2008:CaStSã,
               author = "Novack, Tessio and Kux, Hermann Johan Reinrich and Monteiro, 
                         Antonio Miguel Vieira and Pinho, Carolina",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Instituto Nacional de 
                         Pesquisas Espaciais (INPE)} and {Instituto Nacional de Pesquisas 
                         Espaciais (INPE)}",
                title = "Estimation of Population Density Using High Resolution Remote 
                         Sensing Data and Spatial Regression Techniques: A Case Study in 
                         S{\~a}o Paulo City (Brazil)",
            booktitle = "Anais...",
                 year = "2008",
         organization = "Simp{\'o}sio Brasileiro de Ci{\^e}ncias Geod{\'e}sicas e 
                         Tecnologias da Geo-Informa{\c{c}}{\~a}o, 2.",
             keywords = "sensoriamento remoto urbano, regress{\~a}o espacial, densidade 
                         populacional.",
             abstract = "Partindo da premissa de que o planejamento urbano visa o bem-estar 
                         dos cidad{\~a}os, quest{\~o}es como quantas pessoas vivem na 
                         cidade? e onde elas moram? tornam quest{\~o}es chaves. Neste 
                         trabalho utilizamos m{\'e}tricas de paisagem geradas pelo 
                         programa FragStats como vari{\'a}veis independentes para a 
                         estima{\c{c}}{\~a}o da densidade populacional de setores 
                         censit{\'a}rios na megal{\'o}pole de S{\~a}o Paulo, Brasil. As 
                         m{\'e}tricas foram calculadas sobre uma imagem do sensor 
                         QuickBird II classificada de forma supervisionada pelo 
                         classificador Maxver. A exatid{\~a}o tem{\'a}tica e 
                         geom{\'e}trica da classifica{\c{c}}{\~a}o foi avaliada 
                         qualitativamente por inspe{\c{c}}{\~a}o visual. Modelos de 
                         regress{\~a}o simples foram gerados e testes 
                         estat{\'{\i}}sticos formais aplicados. A depend{\^e}ncia 
                         espacial dos res{\'{\i}}duos de cada modelo foi analisada 
                         atrav{\'e}s da visualiza{\c{c}}{\~a}o dos mapas LISA. Em 
                         seguida, modelos de regress{\~a}o espacial foram testados e uma 
                         significativa melhora obtida em termos de redu{\c{c}}{\~a}o da 
                         depend{\^e}ncia espacial dos res{\'{\i}}duos e de aumento do 
                         poder de estima{\c{c}}{\~a}o dos modelos. O uso de 
                         vari{\'a}veis dummy em modelos de regress{\~a}o linear simples 
                         tamb{\'e}m se mostrou como uma alternativa vi{\'a}vel para se 
                         obter estes dois efeitos. Os resultados para a {\'a}rea teste 
                         d{\~a}o evid{\^e}ncias de que algumas m{\'e}tricas de paisagem 
                         obtidas sobre imagens classificadas de sensores de alta 
                         resolu{\c{c}}{\~a}o quando usadas como vari{\'a}veis 
                         independentes em modelos de regress{\~a}o espacial podem estimar 
                         satisfatoriamente a densidade populacional. ABSTRACT: Assuming 
                         that urban planning aims the optimization of urban functioning and 
                         the wellbeing of citizens, questions like how many people are 
                         living in the city? and where do they live? become key issues. In 
                         this work we utilized landscape metrics generated by the FragStats 
                         software for the estimation of population density out of census 
                         sectors in the mega city of S{\~a}o Paulo, Brazil. The metrics 
                         were calculated over an image from the QuickBird II sensor 
                         classified by the Maxver algorithm. The accuracy of the classified 
                         image was analyzed qualitatively. Ordinary linear regression 
                         models were generated and formal statistical tests applied. The 
                         residuals from each model had their spatial dependency analyzed by 
                         visualizing their LISA Maps. Afterwards, spatial regression models 
                         were tried and a significant improvement obtained in terms of 
                         spatial dependency reduction and augmentation of the prediction 
                         power of the models. For the sake of comparison, the use of dummy 
                         variables was also tried and has shown to be a suitable option for 
                         eliminating spatial dependency of the residuals as well. The 
                         results proved that some landscape metrics obtained over high 
                         resolution imagery classified by simple supervisioned methods can 
                         predict well the population density at the area under study when 
                         used as independent variables at spatial regression models.",
  conference-location = "Recife, PE",
      conference-year = "2008",
                label = "lattes: 6500130391746465 1 NovackKuxMontPinh:2008:CaStS{\~a}",
             language = "en",
           targetfile = "novack_estimation.pdf",
        urlaccessdate = "26 abr. 2024"
}