RESUMO Há o intento, por meio de técnicas de geoprocessamento, de elaborar um índice de acessibilidade e, através do mesmo, avaliar a adequação da rede de transporte público ofertada para as diversas regiões e classes sociais presentes na região metropolitana do Rio de Janeiro (RMRJ). Parte-se da premissa de que há uma segregação socioespacial, dessa forma o índice de acessibilidade proposto tem como objetivo avaliar a qualidade da estrutura de transporte público ofertado no que se refere à conectividade a diferentes localidades e empregos, além da facilidade (ou dificuldade) de acesso a diferentes modos de viagem em transporte público. Os resultados obtidos demonstraram que o sistema de transporte público é ineficiente como instrumento para a superação da segregação socioespacial, pois há uma tendência de indivíduos com menores rendas ocuparem áreas com menor nível do índice de acessibilidade proposto. Tal tendência pode ser explicada pela maior qualidade do transporte público nas regiões centrais e pela valorização de regiões com oferta qualificada de transporte, mesmo em regiões periféricas.

ABSTRACT The objective of this study is, by means of geoprocessing techniques, to prepare an accessibility index and use it to evaluate the suitability of the public transport network offered to the various regions and social classes present in the metropolitan area of Rio de Janeiro (RMRJ). This study starts from the premise that there is a socio-spatial segregation, which is unlikely to change. Thus, the proposed accessibility index aims to assess the quality of the public transport structure offered regarding its connectivity to different locations and jobs as well as the ease (or difficulty) of access to different public transport modes. The results indicate that the public transport system i is ineffective as an instrument for overcoming socio-spatial segregation, as there is a tendency for individuals with lower incomes to occupy areas with the lowest level on the proposed accessibility index. This tendency can be explained by the higher quality of public transport in the central regions and the increased value of areas with a better supply of transport, even in peripheral areas.

RESUMEN El objetivo de este estudio es, a través de técnicas de Geoprocesamiento, proponer un índice de accesibilidad y, a través de él, evaluar la adecuación de la red de transporte público ofertada a las distintas regiones y clases sociales presentes en la Región Metropolitana do Río de Janeiro (RMRJ, siglas en portugués). Este estudio partió de la premisa de que existe una segregación socio-espacial, que difícilmente será modificada, por lo que el índice de accesibilidad propuesta tiene como objetivo evaluar la calidad de la estructura de transporte público ofertado con respecto a la conectividad a diferentes lugares y locales de trabajo, además de la facilidad (o dificultad) de acceso a los diferentes modos de transporte en el transporte público. Los resultados obtenidos demuestran que el sistema de transporte público es ineficiente como instrumento para la superación de la segregación socio-espacial, ya que hay una tendencia a que las personas con ingresos más bajos ocupen áreas con niveles más bajos del índice de accesibilidad propuesto. Esta tendencia puede ser explicada por el hecho de que la mayor calidad del transporte público se encuentra en las regiones centrales y por la valorización de regiones con oferta calificada de transporte, incluso en las regiones periféricas.

Dadas as limitações de diferentes tipos de imagens de sensores remotos, classificações automáticas do uso e cobertura do solo na várzea Amazônica podem resultar em índices de acurácia insatisfatórios. Uma das maneiras de melhorar esses índices é através da combinação de dados de distintos sensores, por fusão de imagens ou através de classificações multi-sensores. Desta forma, o presente estudo teve o objetivo de determinar qual método de classificação é mais eficiente em melhorar os índices de acurácia das classificações do uso e cobertura do solo para a várzea Amazônica e áreas úmidas similares - (a) a fusão sintética de imagens SAR e ópticas ou (b) a classificação multi-sensor de imagens ópticas e SAR pareadas. Classificações da cobertura do solo com base em imagens de um único sensor (Landsat TM ou Radarsat-2) foram comparadas com as classificações multi-sensor e classificações baseadas em fusão de imagens. A análise de imagens baseada em objetos (OBIA) e o algoritmo de mineração de dados J.48 foram utilizados para realizar a classificação automática, cuja precisão foi avaliada com o índice kappa e com as medidas de discordância de alocação e de quantidade, recentemente propostas na literatura. Em geral, as classificações baseadas em imagens ópticas apresentaram melhor precisão do que as classificações baseadas em dados SAR. Uma vez que ambos os conjuntos de dados foram combinados em uma abordagem multi-sensores, houve uma redução de 2% no erro de alocação da classificação, uma vez que o método foi capaz de superar parte das limitações presentes em ambas as imagens. Contudo, a precisão diminuiu quando foram usados métodos de fusão de imagens. Concluiu-se que o método de classificação multi-sensor é mais apropriado para classificações de uso do solo na várzea amazônica.

Given the limitations of different types of remote sensing images, automated land-cover classifications of the Amazon várzea may yield poor accuracy indexes. One way to improve accuracy is through the combination of images from different sensors, by either image fusion or multi-sensor classifications. Therefore, the objective of this study was to determine which classification method is more efficient in improving land cover classification accuracies for the Amazon várzea and similar wetland environments - (a) synthetically fused optical and SAR images or (b) multi-sensor classification of paired SAR and optical images. Land cover classifications based on images from a single sensor (Landsat TM or Radarsat-2) are compared with multi-sensor and image fusion classifications. Object-based image analyses (OBIA) and the J.48 data-mining algorithm were used for automated classification, and classification accuracies were assessed using the kappa index of agreement and the recently proposed allocation and quantity disagreement measures. Overall, optical-based classifications had better accuracy than SAR-based classifications. Once both datasets were combined using the multi-sensor approach, there was a 2% decrease in allocation disagreement, as the method was able to overcome part of the limitations present in both images. Accuracy decreased when image fusion methods were used, however. We therefore concluded that the multi-sensor classification method is more appropriate for classifying land cover in the Amazon várzea.