Campo Dublin Core | Valor | Língua |
dc.contributor.advisor | Matricardi, Eraldo Aparecido Trondoli | - |
dc.contributor.author | Pereira, João Roberto Zolet | - |
dc.identifier.citation | PEREIRA, João Roberto Zolet. Análise comparativa de dados RapidEye e dados RPA para o Cadastro Ambiental Rural (CAR). 2018. 31 f. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Florestal)—Universidade de Brasília, Brasília, 2018. | pt_BR |
dc.description | Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, 2018. | pt_BR |
dc.description.abstract | O cadastro ambiental rural (CAR) ocupa um importante papel na regulamentação dos
imóveis rurais e preservação da vegetação nativa. Através do banco de dados do CAR é possível
monitorar e combater o desmatamento ilegal promovendo a demarcação de reservas legais e áreas de
preservação permanente ou solicitando a recuperação das mesmas. Nesse contexto, o trabalho em
questão, visa avaliar a acurácia da classificação do uso do solo de um imóvel rural, localizado na
região da Fercal-DF, utilizando uma imagem RapidEye, com resolução espacial de 5 m. A avaliação foi
feita através de uma análise comparativa com uma classificação, tida como referência, que utilizou
uma ortofoto, com resolução espacial de 5 cm, produzida por uma aeronave remotamente pilotada (RPA
- Remotely Piloted Aircraft) ou Drone, como é popularmente conhecido. A análise indicou, através de
uma matriz de confusão ou matriz de erros, um índice de exatidão global de 93,5% e um coeficiente
Kappa de 0,82. Ambos os resultados da matriz de confusão são considerados excelentes índices.
Entretanto, a Área de Preservação Permanente (APP) não foi identificada na classificação do banco
de dados RapidEye, o que aumentaria os erros de omissão da classe APP. Assim, o presente estudo
mostrou que a imagem do banco de dados RapidEye foi parcialmente suficiente para uma classificação
do uso da terra da propriedade pois não permitiu a identificação dos corpos d’água e,
consequentemente, das APPs. A utilização dos dados adquiridos com o uso de uma RPA permitiu uma
classificação exata do uso da terra da propriedade, podendo ser utilizadas em atividades de
planejamento do uso e manejo do solo de propriedades rurais em pequena escala. | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject.keyword | Geoprocessamento | pt_BR |
dc.subject.keyword | Desmatamento | pt_BR |
dc.subject.keyword | Propriedade rural | pt_BR |
dc.title | Análise comparativa de dados RapidEye e dados RPA para o Cadastro Ambiental Rural (CAR) | pt_BR |
dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
dc.date.accessioned | 2019-04-26T14:56:00Z | - |
dc.date.available | 2019-04-26T14:56:00Z | - |
dc.date.submitted | 2018-12-03 | - |
dc.identifier.uri | http://bdm.unb.br/handle/10483/21918 | - |
dc.language.iso | Português | pt_BR |
dc.description.abstract1 | The Rural Environmental Register (CAR) plays an important role in the land use
regulation of the rural properties and environment conservation. Based on the CAR database, it is
possible to monitor and curb illegal deforestation by controlling the limits of legal reserves and
Permanent Preservation Areas and by indicating areas that need to be recovered. Based on it, this
study aimed to assess the accuracy of the land use and land cover classification of a small farm
spatially located in the Fercal municipality – Federal District (DF), by using a RapidEye image,
with 5-meter spatial resolution. The accuracy assessment was conducted by applying a comparative
analysis of a classification based on RapidEye image and an image mosaic, with 0.25-meter spatial
resolution, acquired using a Remotely Piloted Aircraft (RPA). In this analysis, I estimated that
the overall accuracy of land use classification based on RapidEye image was 93.5% and a Kappa
coefficient of 0.82, which are considered an excellent image classification approach. However, a
Permanent Preservation Area (APP) was not classified by using the RapidEye image, which increased
the omission error of the APP class. This study showed that the RapidEye image was partially enough
for an accurate classification because it did not allow to detect and classify the water bodies
and, consequently, the APPs. The classification accuracy based on RapidEye Image increased when
applying the RPA dataset, which may be useful to support land use planning and management
activities. | pt_BR |
Aparece na Coleção: | Engenharia Florestal
|