ABSTRACT The constant monitoring of water quality is fundamental for the understanding of the aquatic environment, yet it demands great financial investments and is susceptible to inconsistencies and missing values. Using a database composed of 59 sampling campaigns, performed for 12 years, on 10 monitoring stations along the Iguassu River Basin (Southern Brazil), this study presents a model, based on feed-forward neural networks, which imputed 1,370 values for 11 traditional water quality parameters, as well as 3 contaminants of emerging concern (caffeine, estradiol and ethinylestradiol). The model validation errors varied from 0.978 mg L-1 and 0.017 mg L-1 for the traditional parameters, for caffeine the validation error was of 0.212 µg L-1 and for the hormones, the errors were of 0.04 µg L-1 (E1) and 0.044 µg L-1 (EE1). The models underwent two techniques to understand the operations performed within the model (isolation and nullification), which were consistent to those explained by natural processes. The results point to the validity of modeling water quality parameters (especially the concentrations of caffeine) through neural networks, which could lead to better resource allocation in environmental monitoring, as well as improving available datasets and valuing previous monitoring efforts.

RESUMO O monitoramento constante da qualidade da água é fundamental para o entendimento dos ambientes aquáticos, mas este esforço demanda grandes investimentos financeiros, além de estar suscetível a inconsistências e falhas na obtenção dos valores. Usando uma base de dados composta por 59 campanhas amostrais, realizadas durante um período de 12 anos, em 10 estações de monitoramento ao longo da bacia do rio Iguaçú, este trabalho apresentou um modelo baseado em redes neurais artificiais que preencheu 1.370 valores para onze parâmetros tradicionais de qualidade da água. Os erros de validação do modelo variaram de 0,978 mg L-1 a 0,017 mg L-1 para os parâmetros tradicionais, enquanto para a cafeína, este erro foi de 0,212 µg L-1 e para os hormônios de 0,04 µg L-1 (E1) e 0,044 µg L-1 (EE1). Duas técnicas (isolamento e anulação) foram aplicadas nos modelos para se entender o relacionamento treinado pelo modelo entre as variáveis de entrada e saída. Os resultados apontam para a viabilidade da aplicação de redes neurais para a modelagem de parâmetros de qualidade da água (em especial, a cafeína), o que poderia levar a uma melhor alocação de recursos no monitoramento ambiental, além de expandir os bancos de dados disponíveis e valorizar os esforços despendidos para este monitoramento.

RESUMO As alterações da qualidade da água são reflexo das dinâmicas de usos da água e do solo de uma bacia e é um desafio medi-las apropriadamente, especialmente quando se olha para variáveis bastante distintas, como os constituintes tradicionais da matéria orgânica e os compostos emergentes. Apesar de o monitoramento ser essencial para um planejamento adequado dos recursos hídricos e estratégias de gestão, uma abordagem metodológica abrangente é, em geral, demorada e cara, o que desencoraja o tomador de decisão a fazê-lo. O objetivo deste estudo foi identificar os parâmetros de qualidade da água mais representativos de uma bacia urbana crítica, incluindo concentrações de compostos emergentes. Os resultados destacaram a DBO e as séries de nitrogênio e fósforo como parâmetros químicos; e, condutividade, turbidez e sólidos dissolvidos totais como físicos. Concluiu-se que esses parâmetros representam os usos do solo e da água da bacia e podem contribuir para a definição de um monitoramento mais efetivo, subsidiando a tomada de decisão, o planejamento e a gestão. medilas medi las apropriadamente distintas emergentes gestão geral cara fazêlo. fazêlo fazê lo. lo fazê-lo crítica químicos condutividade físicos Concluiuse Concluiu efetivo

ABSTRACT Changes in water quality are a consequence of water and land use dynamics. Measuring these relationships is challenging, especially when looking at distinct variables such as traditional organic matter constituents and emerging compounds. Although monitoring is necessary for proper water resource planning and management strategies, a comprehensive methodological approach is in general time-consuming and costly, which discourages decision-makers. The goal of the study was to establish consistent water quality elements based on a statistical analysis to identify the most representative parameters of a critical urban basin. The results highlighted BOD, nitrogen, and phosphorus series as chemical representative parameters; and conductivity, turbidity, and total dissolved solids as the physical parameters. In this context, these parameters represent the most significant uses of the studied area and define a more effective monitoring system that will subsidize decision-making and water resources planning and management. dynamics challenging compounds strategies timeconsuming time consuming costly decisionmakers. decisionmakers decision makers. makers decision-makers basin BOD nitrogen conductivity turbidity context decisionmaking making

Abstract: This study investigates the potential use of close-range and low-cost terrestrial RGB imaging sensor for fruit detection in a high-density apple orchard of Fuji Suprema apple fruits (Malus domestica Borkh). The study area is a typical orchard located in a small holder farm in Santa Catarina’s Southern plateau (Brazil). Small holder farms in that state are responsible for more than 50% of Brazil’s apple fruit production. Traditional digital image processing approaches such as RGB color space conversion (e.g., rgb, HSV, CIE L*a*b*, OHTA[I 1 , I 2 , I 3 ]) were applied over several terrestrial RGB images to highlight information presented in the original dataset. Band combinations (e.g., rgb-r, HSV-h, Lab-a, I” 2 , I” 3 ) were also generated as additional parameters (C1, C2 and C3) for the fruit detection. After, optimal image binarization and segmentation, parameters were chosen to detect the fruits efficiently and the results were compared to both visual and in-situ fruit counting. Results show that some bands and combinations allowed hits above 75%, of which the following variables stood out as good predictors: rgb-r, Lab-a, I” 2 , I” 3 , and the combinations C2 and C3. The best band combination resulted from the use of Lab-a band and have identical results of commission, omission, and accuracy, being 5%, 25% and 75%, respectively. Fruit detection rate for Lab-a showed a 0.73 coefficient of determination (R2), and fruit recognition accuracy rate showed 0.96 R2. The proposed approach provides results with great applicability for small holder farms and may support local harvest prediction.

Abstract: Object detection in high resolution images is a new challenge that the remote sensing community is facing thanks to introduction of unmanned aerial vehicles and monitoring cameras. One of the interests is to detect and trace persons in the images. Different from general objects, pedestrians can have different poses and are undergoing constant morphological changes while moving, this task needs an intelligent solution. Fine-tuning has woken up great interest among researchers due to its relevance for retraining convolutional networks for many and interesting applications. For object classification, detection, and segmentation fine-tuned models have shown state-of-the-art performance. In the present work, we evaluate the performance of fine-tuned models with a variation of training data by comparing Faster Region-based Convolutional Neural Network (Faster R-CNN) Inception v2, Single Shot MultiBox Detector (SSD) Inception v2, and SSD Mobilenet v2. To achieve the goal, the effect of varying training data on performance metrics such as accuracy, precision, F1-score, and recall are taken into account. After testing the detectors, it was identified that the precision and recall are more sensitive on the variation of the amount of training data. Under five variation of the amount of training data, we observe that the proportion of 60%-80% consistently achieve highly comparable performance, whereas in all variation of training data Faster R-CNN Inception v2 outperforms SSD Inception v2 and SSD Mobilenet v2 in evaluated metrics, but the SSD converges relatively quickly during the training phase. Overall, partitioning 80% of total data for fine-tuning trained models produces efficient detectors even with only 700 data samples.

Abstract: Building roof extraction has been studied for more than thirty years and it generates models that provide important information for many applications, especially urban planning. The present work aimed to model roofs only from point clouds using genetic algorithms (GAs) to develop a more automatized and efficient method. For this, firstly, an algorithm for edge detection was developed. Experiments were performed with simulated and real point clouds, obtained by LIDAR. In the experiments with simulated point clouds, three types of point clouds with different complexities were created, and the effects of noise and scan line spacing on the results were evaluated. For the experiments with real point clouds, five roofs were chosen as examples, each with a different characteristic. GAs were used to select, among the points identified during edge detection, the so-called ‘significant points’, those which are essential to the accurate reconstruction of the roof model. These points were then used to generate the models, which were assessed qualitatively and quantitatively. Such evaluations showed that the use of GAs proved to be efficient for the modeling of roofs, as the model geometry was satisfactory, the error was within an acceptable range, and the computational effort was clearly reduced.

Abstract: The use of OBIA for high spatial resolution image classification can be divided in two main steps, the first being segmentation and the second regarding the labeling of the objects in accordance with a particular set of features and a classifier. Decision trees are often used to represent human knowledge in the latter. The issue falls in how to select a smaller amount of features from a feature space with spatial, spectral and textural variables to describe the classes of interest, which engenders the matter of choosing the best or more convenient feature selection (FS) method. In this work, an approach for FS within a decision tree was introduced using a single perceptron and the Backpropagation algorithm. Three alternatives were compared: single, double and multiple inputs, using a sequential backward search (SBS). Test regions were used to evaluate the efficiency of the proposed methods. Results showed that it is possible to use a single perceptron in each node, with an overall accuracy (OA) between 77.6% and 77.9%. Only SBS reached an OA larger than 88%. Thus, the quality of the proposed solution depends on the number of input features.

Resumo: Avanços na tecnologia LIDAR proporcionaram o desenvolvimento de sistemas que digitalizam completamente o sinal de retorno do pulso LASER emitido. Quando o pulso atinge parcialmente diferentes alvos, múltiplos retornos podem ser determinados dependendo da metodologia utilizada para a detecção dos picos contidos no sinal de retorno. Neste estudo apresentamos os resultados obtidos através da decomposição Gaussiana da waveform do sinal LASER em metodologia que emprega algoritmos genéticos para a determinação dos retornos. Inicialmente a quantidade de picos contidos na waveform é determinada com o método de simples detecção de picos através de algoritmo com ponto de máximo local. Quando mais de um pico é detectado, o processamento é realizado com algoritmos genéticos e são estimados os valores dos parâmetros de amplitude, tempo e desvio padrão. Com esta metodologia foi possível aumentar a quantidade de pontos em aproximadamente 17 % em comparação com a nuvem de pontos gerada em um software comercial. Os melhores resultados foram obtidos em áreas com vegetação alta, comprovando que a metodologia pode ser aplicada para a geração de nuvens de pontos mais densas em áreas de florestas.

Abstract: Recent developments in LIDAR technology lead to the availability of the waveform systems, which capture and digitize the whole return of the emitted LASER pulse. As many objects may cause multiple returns in the same echo, one task is to detect and separate different echoes within the same digitized measurement. In this paper the results of a study aimed at LASER signal waveform decomposition using genetic algorithms are introduced. The proposed method is based on the Gaussian decomposition approach and analyzes each digitized return to compute one or more points. Initially, the number of peaks contained in the waveform is determined by a simple peak detection method, with a local maximum point algorithm. When more than one peak is detected, genetic algorithms are applied to estimate the amplitude, time and standard deviation of each peak within the digitized signal. With this methodology it was possible to increase the number of points by approximately 17 % compared to the point cloud obtained using commercial software. The best results were obtained in areas with high vegetation, and thus the methodology can be applied to the generation of denser points cloud in forest areas.

Técnicas de Sensoriamento Remoto tem ganhado especial interesse, uma vez que podem ser utilizadas para o monitoramento de sistemas e fenômenos em escala local ou global, de maneira contínua temporal e espacialmente. Redes Neurais Artificias estão entre os métodos que são capazes de trabalhar com grande quantidade de dados, com diversas características e sofrer pouca influência de ruídos. Desta forma, fez-se o uso de Redes Neurais Artificiais com o propósito de classificar dados de sensoriamento remoto. Utilizou-se de dados de alta resolução espacial, como imagens espectrais de aerolevantamento e dados altimétricos Laser Scanner, para a classificação do alvo “árvores”. Com isso, gerou-se RNA especialistas na detecção destes alvos. Os dados utilizados são de uma área densamente urbanizada, onde existe grande variabilidade de cotas e características espectrais. Os resultados mostraram que a classificação utilizando dados espectrais e altimétricos resultaram em melhores classificações, do que a utilização apenas de informações espectrais. Testou-se também a influência do tamanho das amostras de treinamento das Redes Neurais Artificiais, gerando assim uma “curva de aprendizado” das RNA. Percebeu-se que conforme se aumenta o tamanho das amostras de treinamento, existe uma tendência em aumentar a acurácia na classificação dos dados. Os acertos globais foram superiores a 87,5% quando utilizando apenas informação espectral e 97,5% quando utilizando dados espectrais e altimétricos

Remote Sensing techniques has gained special interest, since it can be used for monitoring systems and phenomena in local or global scale, in a temporally and spatially continuous way. Artificial Neural Networks are able to work with large amounts of data, with different characteristics. ANN was used in this work as the purpose of classifying remote sensing data. It was used multi sources and high-resolution spatial data, such as spectral images and Laser Scanner elevation data to classify the class “tree”. So, all the ANN created were specialist in tree class classification. In addition, the data used is from a densely urbanized area where there is a large variability of elevations and spectral characteristics. The results showed that the classification using both spectral and altimetry data resulted in better classifications than the use of only spectral information. It was also tested the influence of the size of samples for training the ANN, creating a learning curve for the ANN. It was noticed that with increasing the size of training samples there is a tendency to increase the accuracy in the classification. The global hits were above 87.5% when using only spectral data, and 97.5% when using spectral and altimetry data

O acervo histórico de imagens Landsat permite realizar estudos multitemporais usando uma longa série de imagens. Para isto, as imagens devem ser registradas, ou seja, sua geometria deve ser compatibilizada. Esta tarefa é geralmente executada usando pontos de apoio visíveis nas duas imagens para estimar o modelo de transformação. A escolha e detecção visual de pontos homólogos é uma tarefa árdua e trabalhosa. Neste trabalho é descrito um método automático para a identificação de pontos homólogos usando a correlação entre pares de imagens digitais. Como a correlação pode identificar falsos positivos, ou seja, pontos com alta correlação, mas fora da posição correta, este resultado é refinado analisando a relação espacial entre os pontos disponíveis. Nos experimentos foi utilizada uma área com grande diversidade na paisagem, com agricultura intensiva, malha urbana densa e estradas em grande quantidade, além de um rio, permitindo assim se obter pontos de controle com alvos diversificados. Os resultados obtidos mostram que o processo pode ser automatizado, mas que o sucesso do processo depende da qualidade, em termos de contraste, das regiões usadas na correlação

The historical archive of Landsat imagery allows performing multitemporal studies using a long series of images. For this purpose, images must be registered, that is its geometry must be made compatible. This task generally is performed using visible control points in the two images to estimate the transform parameters. The choice and visual detection of homologous points are arduous and laborious tasks. In this work an automatic method for the identification of homologous points is described, which uses the correlation and spatial analysis. As the digital correlation can identify false positives, that is, points with high correlation but that are far from the right position. This result needs a fine analyzing to select the right points, which is here performed analyzing the spatial relationship between the available points. In the experiments, an area with great diversity in the landscape was used, with intensive agriculture, dense urban occupation, roads and a river, allowing choosing and studying different control points. The results show that the process can be automated, but that the success of the process depends on the quality, in terms of contrast, of the used regions in the correlation

As câmeras de distância são capazes de medir a distância entre o sensor e a superfície dos objetos para cada pixel da imagem, em um único instante, produzindo uma imagem de distâncias. Além das distâncias, também obtém a intensidade e a amplitude para cada pixel, formando as imagens de intensidade e amplitude, respectivamente. Como toda a medida, aquelas obtidas pelas câmeras de distância possuem erros, e um dos fatores que geram erros nas medidas é a iluminação ambiente. Neste estudo foi analisada a influência que a iluminação ambiente exerce sobre os valores calculados de distância, amplitude e intensidade. Para isso, realizou-se experimentos em uma sala escura, onde foram obtidas imagens de distância, intensidade e amplitude de uma parede branca, em que incidia diversos níveis de iluminação gerada por duas lâmpadas cujos feixes convergiam ao centro da parede. Verificou-se que: a iluminação fornecida nos experimentos aumentou os valores de distância; a relação entre os erros de distância e a variação da amplitude é diretamente proporcional e linear; e que a relação entre os erros de distância e a variação da intensidade também se mostrou linear para valores de intensidade menores que 26600, para a frequência de modulação de 21 MHz. As correlações lineares atingiram valores acima de 0,9. A imagem de intensidade se mostrou mais sensível à incidência de iluminação ambiente do que a imagem de amplitude.

Range cameras are able to measure the distance between the sensor and the surface of objects for each image pixel, in a just single instant, producing an image of distance. It also measure the intensity and amplitude for each pixel, in order to produce images of intensity and amplitude, respectively. Like any measure, those obtained by the distance of cameras have errors, and one of the factors that produces errors in the measurements is the external lighting at the environment. In this study it was analyzed the influence of the external lighting on the calculated values of distance, amplitude and intensity. In a dark room it was made up some experiments, where it was obtained images of distance images, intensity and amplitude of a white wall, where various lighting levels generated by two lamps whose beams converged on the center of the wall. Some conclusions are: the external illumination increased distance values; the ratio of the distance error and the amplitude variation is directly proportional and linear; and the relationship between the distance error and the variation of intensity it was also linear for values lower intensities than 26600, at 21 MHz of modulation frequency. It was achieved linear correlation above 0.9. The image of intensity is more sensitive to the effect of external lighting than the amplitude image

As câmaras de distância são capazes de medir a distância entre o sensor e a superfície dos objetos para cada pixel da imagem. Comparando com os equipamentos de varredura a laser possuem a vantagem de obter a distância de vários pontos em um único instante, sem equipamento de varredura. As medidas obtidas pela câmara possuem erros sistemáticos que devem ser minimizados. Alguns fatores como o tempo de integração, a distância a ser medida, bem como a iluminação da cena, influenciam na obtenção da medida. Neste estudo foi analisada a influência da variação do tempo de integração e da distância câmara-alvo na exatidão do cálculo da distância, procurando modelar os erros sistemáticos das medições feitas com uma câmara PMD Camcube 3.0. A modelagem foi feita por meio da Transformada Discreta de Fourier e permitiu diminuir o erro médio quadrático (RMSE) de 15,01 cm para 5,05 cm, para das observações feitas com tempo de integração de 4000 (s. Também foi verificado que a amplitude do erro é diretamente proporcional ao tempo de integração utilizado.

Range cameras are devices to measure the distance between the sensor and the object surface for each pixel within an image. Comparing to laser scanner they have the advantage of measuring range for several points at the same time without scanning systems. The measurements obtained by a range camera may have systematic errors that must be modeled to correct the measurements. Some factors as the integration time used, the distance to be measured, and the illumination of the scene, may affect the range measurement. In this paper we examine the influence of the integration time and the distance between the camera and the targets on the measured distance, proposing a model for the cyclic error of a Camcube PMD 3.0 camera using the Discrete Fourier Transform. The model allowed to reduce the root mean square error (RMSE) from 15.01 cm to 5.05 cm in observations made with the integration time of 4000 (s. It was also verified that the error amplitude is proportional to the integration time.

A Realidade Aumentada é uma nova forma de interação homem-máquina, que permite aos usuários examinar a realidade mediante a visualização/inclusão de informação adicional, previamente selecionada, relevante para a solução de um determinado problema, em tempo real junto com a realidade percebida pelo ser humano. Basicamente, uma camera de vídeo proporciona cenas em tempo real e um sistema de computador adiciona à imagem real a informação virtual, como por exemplo a inserção de nomes de elementos geográficos como rios e montanhas os quais não são visíveis a olho nú e podem ser inseridos como informação virtual sobre à imagem real. O objetivo deste trabalho é explorar o uso da realidade aumentada em smartphones na visualização e representação de dados do Censo e Banco de Nomes Geográficos do Brasil, logo informações estatísticas e cartográficas respectivamente, ambos disponibilizados pelo Instituto Brasileiro de Geografia e Estatística - IBGE, bem como validar a representação dos dados através do uso de diferentes variáveis visuais. Para alcançar o objetivo proposto um módulo de realidade aumentada para smartphone foi desenvolvido, o qual utiliza diferentes variáveis visuais para a representação dos dados. A presente pesquisa visa permitir aos estudantes, técnicos e usuários de cartográfia a obter, explorar, solucionar problemas, facilitar a compreensão e interpretação de informações cartográficas e estatísticas em tempo real através de uma nova forma de visualização: a realidade aumentada.

Augmented Reality is a new form of human-machine interaction which allows users to look the reality through the visualization / inclusion of virtual information, previously selected, relevant for solving a given problem, in real time together with the real world. Basically, a video camera provides scenes in real time and a computer system, enhances the scene by adding virtual information to the image. Basically, a video camera provides real-time scenes and a computer system adds to the real image virtual information, as for example, the inclusion of names of geographic features like rivers and mountains which are not visible directly to the eye and can be visualized as virtual information together with the real world. The aim of this paper is to explore the use of augmented reality on smartphones in the view of the representation of Census data and Bank of Geographical Names in Brazil, both provided by the Brazilian Institute of Geography and Statistics - IBGE, as well as validating the data representation by the use of different visual variables. To achieve the objective proposed a module of augmented reality for smartphone was developed, which uses different variables for the visual representation of data. This research hopes to enable students, technicians and mapping users to obtain and explore the information data from IBGE through a new way of viewing: augmented reality.

Nos últimos anos tem se observado uma representativa evolução da tecnologia LIDAR (Light Detection and Ranging) na aquisição automática do MDT (Modelo Digital do Terreno) em áreas urbanas e rurais. Os métodos existentes na literatura remetem a regiões para casos específicos no hemisfério norte, onde as condições de vegetação e uso do solo são diferentes das encontradas no Brasil. O presente trabalho tem como objetivo investigar e discutir métodos de classificação de dados LIDAR utilizados para a geração automática do MDT, usando os conceitos de morfologia matemática no processo de filtragem e classificação dos pontos. O processo metodológico compreendeu: definição e caracterização da área de aplicação dos testes de verificação, bem como as condições de aquisição dos dados utilizados; descrição do método denominado Filtro Morfológico; e, por fim, o método para a análise e comportamento da metodologia proposta. A qualidade dos produtos gerados nos experimentos realizados mostrou-se satisfatória, considerando os aspectos numéricos relacionados com o erro médio e a variância das áreas testadas. Os resultados mostraram que a geração do MDT em áreas urbanas apresentou maior consistência em conseqüência, principalmente, da presença de áreas livres ao nível do terreno, favorecendo a viabilidade do uso do método de classificação.

Lately a representative evolution of the LIDAR (Light Detection and Ranging) technology to automatic acquisition DTM (Digital Terrain Model) has been observed for urban and rural areas. Present methods in the literature refer to regions for specific cases in the northern hemisphere, where the conditions of vegetation and land use are different from those found in Brazil. This paper aims at investigating and discussing methods for classifying LIDAR data used for the automatic generation of DTM, using mathematical morphology in the process of filtering and classification of points. The methodological process involved the following steps: definition and characterization of the area of application of the verification tests, the conditions used for data acquisition, description of the method Morphological filter, and finally, the framework for analyzing the results. The quality considering the numerical aspects like average error and sample variance of the generated models for the study areas was satisfactory. The results showed that the generation of digital terrain model in urban areas had greater consistency, mainly due to the presence of open spaces at ground level, this fact feasibility of using the classification method.

Neste artigo é apresentado um estudo para a modelagem tridimensional de superfícies utilizando imagens obtidas com uma câmara TOF. O sistema utilizado é a câmara PMD CamCube 2.0, que calcula a distância de objetos utilizando o princípio TOF (Time-Of-Flight). Inicialmente, a câmara foi calibrada, o que possibilitou a correção geométrica da imagem a partir de Parâmetros de Orientação Interior (POI). Outro fator que afeta a qualidade dos dados é a presença de ruído em função da iluminação exterior ao sistema, que pode ser controlada variando o tempo de integração na captação da imagem. Posteriormente realizou-se a segmentação da imagem TOF para identificar as superfícies planas do objeto estudado. A solução encontrada utiliza o cálculo dos autovalores locais em superfícies, em pequenas janelas móveis. Com isto, gera-se uma nova imagem com bordas evidenciadas. A nova imagem é segmentada através do algoritmo de deslocamento pela média, com o objetivo de obter superfícies planas do objeto de interesse. Os píxeis da imagem segmentada são então projetados ortogonalmente, gerando uma nuvem de pontos com coordenadas tridimensionais das superfícies. Finalmente, as dimensões do objeto são comparadas com medidas de referência, sendo verificado que a diferença na medida tridimensional obtida é de aproximadamente 2 centímetros.

In this paper we present a work that aims at studying the quality of 3D data obtained with a range camera and assessing its potential to model planes. The device, the PMD CamCube 2.0, computes the distance to the objects using the Time-Of-Flight (TOF) principle. At first, the equipment was calibrated. The Interior Orientation Parameters (IOP) allows reducing geometric distortion in the images. Another factor that influences the quality of data is the presence of noise introduced by illumination conditions, which can be controlled by varying the integration time of the light source. After determining the best integration time and interior orientation parameters, the device was used to capture data of an object with flat surfaces. The dataset was used to compute the 3D coordinates of each point and then the dataset was segmented, in order to identify the flat surfaces of the object. The segmentation solution is based on the computation of the local eigenvalues, using a small moving window, to generate a new image where borders are highlighted. This new image is segmented using the mean-shift approach to delineate the planes of interest. Finally, the dimensions of the object are compared to reference values. The comparison showed errors around 2cm, within the expected range. The object can then be modeled with the 3D points cloud.

O presente trabalho faz parte do programa GEOSAFRAS, estimativa e safras no Brasil, coordenado pela Companhia Nacional de Abastecimento e do Programa das Nações Unidas para o Desenvolvimento. Uma aplicação muito comum no gerenciamento de safras é o monitoramento de mudanças nos campos de cultivo usando imagens de satélite adquiridas em diferentes datas. Para isto, a compatibilidade espacial entre essas imagens é um requisito básico, mais ainda quando se trata de imagens de diferentes sensores. Nesse artigo é descrita uma metodologia para a semi-automação do processo de correção geométrica com a finalidade de facilitar o ajuste geométrico entre imagens de diferentes sensores. Inicialmente, uma imagem base é manualmente corrigida a partir de dados extraídos de uma carta topográfica digital. Após essa correção, a imagem corrigida é utilizada como elemento base de referência para corrigir as outras imagens (denominadas neste trabalho de imagens de ajuste), as quais são adquiridas em datas diferentes e/ou de diferentes sensores. Depois de corrigida a imagem base todas as imagens (base e de ajuste) são segmentadas e classificadas. Os segmentos classificados como vegetação florestal são escolhidos para compor a malha relacional. As imagens de ajuste são registradas pelo processo imagem-imagem usando os centróides dos segmentos de vegetação florestal. Os segmentos de vegetação florestal presentes na imagem base são confrontados com os segmentos correspondentes nas imagens de ajuste, para buscar correspondências (matching). O processo de matching é realizado através da aplicação de algoritmos genéticos. Ao obter um resultado satisfatório na busca de correspondência, calcula-se os centróides correspondentes aos segmentos detectados, os quais são utilizados como pontos de controle para o processo de registro das imagens. Os resultados mostram que os algoritmos genéticos encontraram a solução ótima na maior parte dos experimentos realizados. Porém, para a imagem LANDSAT 2002 reamostrada a solução encontrada foi sub-ótima, pois um segmento sofreu grandes variações em relação ao mesmo segmento na imagem base.

This work is part of the GEOSAFRAS program - estimates and harvests in Brazil - which is coordinated by the National Company of Supply and the United Nations Development Programme. A regular use in the management of harvests is the monitoring of the cultivation fields changes by using satellite images obtained at different dates. For this purpose, the spatial compatibility between these images is a necessary condition, even more when it comes to images from different sensors. This article describes a methodology for the semi-automation of the geometric rectification process aimed at facilitating the geometric adjustment between images from different sensors. First, a base image is manually rectified from data extracted from a digital topographic map. After such rectification, the correct image is used as a reference element to rectify other images (in this work, called adjustment images), which are acquired at other dates and/or from other sensors. Once the base image is rectified, all images (base and adjustment ones) are segmented and classified. The segments classified as forest vegetation are selected to compose the relational mesh. The adjustment images are registered by the image-image process by means of the forest vegetation segment centroids. The forest vegetation segments in the base image are compared to the corresponding segments in the adjustment images, to find pattern matching. The matching process involves the application of genetic algorithms. After obtaining a positive result regarding the pattern matching, the centroids corresponding to the detected segments are calculated; These centroids are used as control points for the image registry process. The results show that genetic algorithms have found the optimal solution in most experiments. However, regarding the LANDSAT 2002 resampled image, the solution found was sub-optimal because one of the segments showed large variations in relation to the same segment of the base image.