Emprego de classificação orientada a objeto para atualização de área de imóveis urbanos no recadastramento imobiliário
Resumo
O recadastramento imobiliário confere aos municípios justiça fiscal e atualização do uso da terra. Porém, é um processo custoso e manual, mesmo com o uso de geotecnologias. Este trabalho avaliou o uso da classificação orientada a objetos (GEOBIA) para identificar edificações em área urbana a partir de ortofotos geradas com VANTs, para fins de recadastramento imobiliário. Os melhores resultados foram obtidos com o classificador Random Forest, cuja acurácia balanceada foi de 84,58%. Apesar dos bons resultados, o método ainda não é indicado para atualizar dados imobiliários.
Palavras-chave:
GEOBIA, VANT, Recadastramento imobiliário, telhado
Referências
Arantes, B. H. T., Arantes, L. T., Ventura, M. V. A., Costa, E. M., Bessa, M. M., Baliza, L. M., and Moraes, V. H. (2018). Uso de drones na atualização de área construída de imóveis urbanos. Scientia Plena, 14(10).
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1):2–16.
Bramer, M. (2016). Principles of Data Mining. Springer London.
Brasil (2000). Lei nº 101, de 4 de maio de 2000. estabelece normas de finanças públicas voltadas para a responsabilidade na gestão fiscal e dá outras providências. Diário Oficial da República Federativa do Brasil.
Brasil (2009). Portaria nº 511, de 7 de dezembro de 2009. estabelece diretrizes para a criação, instituição e atualização do cadastro territorial multifinalitário (ctm) nos municípios brasileiros. Diário Oficial da República Federativa do Brasil.
Chen, M. and Li, J. (2019). Deep convolutional neural network application on rooftop detection for aerial image. CoRR, abs/1910.13509.
Chen, R., Li, X., and Li, J. (2018). Object-based features for house detection from rgb highresolution images. Remote Sensing, 10(3).
Cienciaa, A., Sobolewska-Mikulska, K., and Sobura, S. (2021). Credibility of the cadastral data on land use and the methodology for their verification and update. Land Use Policy, 102:105204.
Felzenszwalb, P. F. and Huttenlocher, D. P. (2004). Efficient graph-based image segmentation. International journal of computer vision, 59(2):167–181.
Gonzalez, R. and Woods, R. (2008). Digital image processing. Prentice Hall, Upper Saddle River, N.J.
Haralick, R. M., Shanmugam, K., and Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(6):610–621.
Hay, G. J. and Castilla, G. (2008). Geographic object-based image analysis (geobia): A new name for a new discipline. In Object-based image analysis, pages 75–89. Springer.
Jia, J., Cui, W., and Liu, J. (2022). Urban catchment-scale blue-green-gray infrastructure classification with unmanned aerial vehicle images and machine learning algorithms. Frontiers in Environmental Science, 9.
Karatas¸, K. and Altns¸k, N. S. (2020). The effect of uav usage on detail points in cadastre update studies: C¸ orum-karaköy case study. International Journal of Environment and Geoinformatics, 7:140 – 146.
Kim, Y., Han, Y., Byun, Y., Choi, J., Han, D., and Kim, Y. (2011). Object-based classification of an urban area through a combination of aerial image and airborne lidar data. In American Society for Photogrammetry and Remote Sensing Annual Conference 2011, pages 265–270.
Myint, S. and Stow, D. (2011). An object-oriented pattern recognition approach for urban classification. In Urban Remote Sensing: Monitoring, Synthesis and Modeling in the Urban Environment, pages 129–140. Wiley-Blackwell.
Pilinja Subrahmanya, P., Haridas Aithal, B., and Mitra, S. (2021). Automatic extraction of buildings from uav-based imagery using artificial neural networks. Journal of the Indian Society of Remote Sensing, 49(3):681–687.
Schickier, W. and Thorpe, A. (1998). Operational procedure for automatic true orthophoto generation. International Archives of Photogrammetry and Remote Sensing, 32:527–532.
Shao, H., Song, P., Mu, B., Tian, G., Chen, Q., He, R., and Kim, G. (2021). Assessing city-scale green roof development potential using unmanned aerial vehicle (uav) imagery. Urban Forestry & Urban Greening, 57:126954.
Trevisiol, F., Lambertini, A., Franci, F., and Mandanici, E. (2021). An object-oriented approach to the classification of roofing materials using very high-resolution satellite stereo-pairs. Remote Sensing, 14(4).
Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1):2–16.
Bramer, M. (2016). Principles of Data Mining. Springer London.
Brasil (2000). Lei nº 101, de 4 de maio de 2000. estabelece normas de finanças públicas voltadas para a responsabilidade na gestão fiscal e dá outras providências. Diário Oficial da República Federativa do Brasil.
Brasil (2009). Portaria nº 511, de 7 de dezembro de 2009. estabelece diretrizes para a criação, instituição e atualização do cadastro territorial multifinalitário (ctm) nos municípios brasileiros. Diário Oficial da República Federativa do Brasil.
Chen, M. and Li, J. (2019). Deep convolutional neural network application on rooftop detection for aerial image. CoRR, abs/1910.13509.
Chen, R., Li, X., and Li, J. (2018). Object-based features for house detection from rgb highresolution images. Remote Sensing, 10(3).
Cienciaa, A., Sobolewska-Mikulska, K., and Sobura, S. (2021). Credibility of the cadastral data on land use and the methodology for their verification and update. Land Use Policy, 102:105204.
Felzenszwalb, P. F. and Huttenlocher, D. P. (2004). Efficient graph-based image segmentation. International journal of computer vision, 59(2):167–181.
Gonzalez, R. and Woods, R. (2008). Digital image processing. Prentice Hall, Upper Saddle River, N.J.
Haralick, R. M., Shanmugam, K., and Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(6):610–621.
Hay, G. J. and Castilla, G. (2008). Geographic object-based image analysis (geobia): A new name for a new discipline. In Object-based image analysis, pages 75–89. Springer.
Jia, J., Cui, W., and Liu, J. (2022). Urban catchment-scale blue-green-gray infrastructure classification with unmanned aerial vehicle images and machine learning algorithms. Frontiers in Environmental Science, 9.
Karatas¸, K. and Altns¸k, N. S. (2020). The effect of uav usage on detail points in cadastre update studies: C¸ orum-karaköy case study. International Journal of Environment and Geoinformatics, 7:140 – 146.
Kim, Y., Han, Y., Byun, Y., Choi, J., Han, D., and Kim, Y. (2011). Object-based classification of an urban area through a combination of aerial image and airborne lidar data. In American Society for Photogrammetry and Remote Sensing Annual Conference 2011, pages 265–270.
Myint, S. and Stow, D. (2011). An object-oriented pattern recognition approach for urban classification. In Urban Remote Sensing: Monitoring, Synthesis and Modeling in the Urban Environment, pages 129–140. Wiley-Blackwell.
Pilinja Subrahmanya, P., Haridas Aithal, B., and Mitra, S. (2021). Automatic extraction of buildings from uav-based imagery using artificial neural networks. Journal of the Indian Society of Remote Sensing, 49(3):681–687.
Schickier, W. and Thorpe, A. (1998). Operational procedure for automatic true orthophoto generation. International Archives of Photogrammetry and Remote Sensing, 32:527–532.
Shao, H., Song, P., Mu, B., Tian, G., Chen, Q., He, R., and Kim, G. (2021). Assessing city-scale green roof development potential using unmanned aerial vehicle (uav) imagery. Urban Forestry & Urban Greening, 57:126954.
Trevisiol, F., Lambertini, A., Franci, F., and Mandanici, E. (2021). An object-oriented approach to the classification of roofing materials using very high-resolution satellite stereo-pairs. Remote Sensing, 14(4).
Publicado
31/07/2022
Como Citar
CORTEZ, Thiago A. S. S.; SOUZA, Vanessa C. O.; FRINHANI, Rafael M. D.; PAULA, Melise M. V..
Emprego de classificação orientada a objeto para atualização de área de imóveis urbanos no recadastramento imobiliário. In: SEMINÁRIO INTEGRADO DE SOFTWARE E HARDWARE (SEMISH), 49. , 2022, Niterói.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2022
.
p. 58-69.
ISSN 2595-6205.
DOI: https://doi.org/10.5753/semish.2022.222775.
