Differences
This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision | Next revision Both sides next revision | ||
|
bdgeo_turma_de_2014 [2015/06/17 13:37] lubia [Classificação automática de áreas cafeeiras por meio de um bando de dados geográfico.] |
bdgeo_turma_de_2014 [2015/06/17 13:52] lubia |
||
|---|---|---|---|
| Line 10: | Line 10: | ||
| ====== Classificação automática de áreas cafeeiras por meio de um banco de dados geográfico. ====== | ====== Classificação automática de áreas cafeeiras por meio de um banco de dados geográfico. ====== | ||
| - | Aluna: **Cesare Di Girolamo Neto**\\ | + | Aluno: **Cesare Di Girolamo Neto**\\ |
| Resumo: \\ | 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. | 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. | ||
| Line 16: | Line 16: | ||
| 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). | 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). | 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 | + | 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. | ||
