Uso de Grafos de Proveniência para Análise Temporal de Uso do Solo em Centros Urbanos: uma Abordagem Prática

• Raffael Paranhos Universidade Federal Fluminense http://orcid.org/0000-0001-6261-5391
• Marcos Lage Universidade Federal Fluminense
• Daniel de Oliveira Universidade Federal Fluminense

DOI: https://doi.org/10.5753/sbbd.2023.233061

Resumo

Estudar a evolucão do uso do solo é essencial para descobrir a origem de problemas de infraestrutura e identificar áreas com urbanização inadequada. Identificar dificuldades atuais e erros passados no uso do solo é crucial para definir políticas públicas eficazes. No entanto, analisar a dinâmica das modificações dos terrenos ao longo do tempo é desafiador, especialmente devido à complexidade espacial do problema. Este artigo descreve a abordagem LandEvol-PROV, que identifica transformações nos terrenos ao longo dos anos e cria um grafo de proveniência para análise espaço-temporal do uso do solo. A avaliação utilizando o conjunto de dados MapPLUTO confirmou a viabilidade da abordagem proposta.

Palavras-chave: banco de dados em grafos, proveniencia de dados, dados urbanos, vizualização de dados, analise temporal

Referências

Aerts, J. C., Lin, N., Botzen, W., Emanuel, K., and de Moel, H. (2013). Low-probability flood risk modeling for new york city. Risk Analysis, 33(5):772–788.

Al-Ageili, M. and Mouhoub, M. (2022). An ontology-based information extraction system for residential land-use suitability analysis. Int. J. Softw. Eng. Knowl. Eng., 32(7):1019–1042.

Bennett, D. A., Tang, W., and Wang, S. (2011). Toward an understanding of provenance in complex land use dynamics. J. of Land Use Science, 6(2-3):211–230.

de Oliveira, D. et al. (2019). Data-Intensive Workflow Management: For Clouds and Data-Intensive and Scalable Computing Environments. M. & Claypool.

Freire, J., Koop, D., Santos, E., and Silva, C. T. (2008). Provenance for Computational Tasks: A Survey. Computing in Science & Engineering, 10(3):11–21.

Fritz, S. et al. (2017). A global dataset of crowdsourced land cover and land use reference data. Scientific Data, 4(1):170075.

Groth, P. and Moreau, L. (2013). W3C PROV. Available at [link].

Krumm, J. and Krumm, K. (2019). Land use inference from mobility traces. In Proc. of the 3rd ACM SIGSPATIAL, page 1–4. ACM.

Ma, J. et al. (2020). Analyzing driving factors of land values in urban scale based on big data and non-linear machine learning techniques. Land use policy, 94:104537.

Munneke, H. J. (2005). Dynamics of the urban zoning structure: An empirical investigation of zoning change. Journal of Urban Economics, 58(3):455–473.

NYCDCP (2023). Pluto. [link]. Acesso: Junho 2023.

NYCDOF (2023). Department of finance digital tax map. [link]. Acessado em: Junho 2023.

Yang, T. and Wu, Y. (2021). Looking for datasets to open: An exploration of government officials’ information behaviors in open data policy implementation. Gov. Inf. Q., 38(2):101574.