Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/21918
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2018_JoaoRobertoZoletPereira_tcc.pdf491,5 kBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorMatricardi, Eraldo Aparecido Trondoli-
dc.contributor.authorPereira, João Roberto Zolet-
dc.identifier.citationPEREIRA, 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.descriptionTrabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Florestal, 2018.pt_BR
dc.description.abstractO 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.rightsAcesso Abertopt_BR
dc.subject.keywordGeoprocessamentopt_BR
dc.subject.keywordDesmatamentopt_BR
dc.subject.keywordPropriedade ruralpt_BR
dc.titleAnálise comparativa de dados RapidEye e dados RPA para o Cadastro Ambiental Rural (CAR)pt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2019-04-26T14:56:00Z-
dc.date.available2019-04-26T14:56:00Z-
dc.date.submitted2018-12-03-
dc.identifier.urihttp://bdm.unb.br/handle/10483/21918-
dc.language.isoPortuguêspt_BR
dc.description.abstract1The 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



Este item está licenciado na Licença Creative Commons Creative Commons