Trabalhos apresentados pela Turma de 2014

Classificação automática de áreas cafeeiras por meio de um banco de dados geográfico.

Aluno: Cesare Di Girolamo Neto
Resumo:
O mapeamento de áreas cafeeiras no Brasil torna-se atrativo uma vez que o país é o maior produtor de café do mundo, sendo que em 2012 foi responsável por cerca de 37% da produção mundial e ganhos com exportação próximos a US$ 6 bilhões (USDA, 2013). O café é cultivado em 12 estados brasileiros, sendo que o maior produtor é Minas Gerais, com cerca de 51% da produção nacional (MINISTÉRIO DA AGRICULTURA, 2013). O estado de Minas Gerais teve sua área cafeeira mapeada manualmente por Moreira et al. (2007), baseando-se em imagens de sensoriamento remoto. Todavia, uma das maiores dificuldades no mapeamento por dados de sensoriamento remoto reside na disponibilidade de um método rápido e preciso para obter mapas de uso e cobertura da terra. O mapeamento manual, apesar de ser uma técnica precisa, é praticamente inviável quando aplicado a áreas extensas (VASCONCELOS e NOVO, 2004). Uma alternativa aos métodos manuais é o uso de métodos de classificação automática, com metodologias que permitem a classificação automática pixel a pixel, tratando um grande volume de dados. A metodologia de mineração de dados demonstra alto potencial de aplicação em estudos relacionados ao mapeamento do café (ANDRADE et al., 2013; BISPO et al., 2014). Outro avanço computacional com potencial de ser aplicado a estudos deste tipo são os sistemas gerenciadores de banco de dados (SGBD), os quais são capazes de gerenciar grandes volumes de dados de forma persistente, organizada e interrelacionada (VINHAS e FERREIRA, 2013). Além do mais, SGBDs passaram a contar, a partir dos anos 2000, com extensões espaciais, as quais consistem em métodos de acesso e mecanismos de indexação que permitem o gerenciamento de componentes espaciais (QUEIROZ e FERREIRA, 2005). Considerando as dificuldades no processo de mapeamento manual e os avanços computacionais da última década, o objetivo deste trabalho foi realizar o mapeamento automático de áreas cafeeiras para a região sul de minas gerais utilizando técnicas de mineração de dados e um banco de dados geográfico.

Algoritmo para construção de Packed R-Tree na TerraLib

Aluno: Marcos Paulo Lobo de Candia
Resumo:
Uma das características dos Sistemas Gerenciadores de Banco de Dados (SGBDs) atuais é a capacidade de manipular dados espaciais. Métodos de acesso para dados espaciais, ou índices espaciais, são estruturas de dados essenciais para o processamento eficiente de consultas espaciais. Uma consulta espacial tem o processamento dividido em duas etapas: filtragem e refinamento. Na etapa de filtragem são usados os métodos de acesso espaciais, que reduz e seleciona os possíveis candidatos que satisfaçam a consulta. A etapa de refinamento envolve a aplicação de algoritmos geométricos computacionalmente complexos aplicados a geometria exata dos candidatos selecionados na etapa anterior. K-d Tree, Grid File, Quad-Tree e R-Tree são exemplos de métodos de acesso espaciais.

Proposta de Sistema de monitoramento da sigatoka-negra baseado em variáveis ambientais utilizando o TerraMA2

Aluno: Hugo Bendini
Resumo:
A cultura da bananeira vem sendo assolada por uma doença conhecida por sigatoka-negra. Ainda são poucos os estudos que considerem a sua distribuição espacial e dinâmica envolvida no processo de dispersão, tampouco sistemas de monitoramento que integrem essas informações. Neste contexto, as geotecnologias apresentam ferramentas promissoras, sobretudo quando integradas a sistemas de informações geográficas capazes de incorporar dados dinâmicos, de diversas fontes, permitindo o monitoramento em tempo real. Assim este trabalho, em andamento, propõe a implementação de um sistema de monitoramento e alerta para a sigatoka-negra com as características mencionadas, utilizando a plataforma TerraMA2.
Trabalho final no GeoInfo.

Neo4j: Estudo de Caso

Aluna: Sandy Porto
Resumo:
O objetivo deste trabalho é explorar a ferramenta Neo4j1, um banco de dados onde os objetos e relações são guardados num estrutura em grafo. Um grafo é um conjunto de pontos e linhas, onde os pontos representam objetos e as linhas as relações entre estes. No Neo4j a mesma definição é válida, cada no ́ no banco representa algum objeto, e as ligações, que no caso do banco são sempre direcionadas, as relações entre esses objetos. Cada nó pode receber um classificação chamada ‘Label’, para diferenciar objetos diferentes representados pelos nós, cada nó pode ter zero, um ou mais ‘Labels’. Cada nó ou ligação pode ainda ter propriedades associadas. Em comparação com banco de dados relacionais, as propriedades são equivalentes aos atributos da tabela. As propriedades sã armazenadas como pares nome/valor de cada característica. Essas propriedades podem ser strings, números ou booleanos.
Apresentação