Hanna Aimée Da Fraga Gonçalves

A fragmentação cadastral, a ausência de padronização cartográfica e a limitada interoperabilidade entre bases territoriais constituem entraves estruturais para a gestão territorial nos municípios brasileiros, conforme evidenciado no estado da arte deste artigo. Tanto o Cadastro Territorial Multifinalitário (CTM) quanto a Regularização Fundiária Urbana (REURB) dependem de informações espaciais precisas, normatizadas e interoperáveis, mas diversos estudos mostram que esses sistemas têm sido historicamente desenvolvidos de forma isolada, resultando em inconsistências técnicas e insegurança jurídica. Este artigo tem como objetivo apresentar uma análise normativa e uma revisão das contribuições teóricas relacionadas aos fundamentos técnicos, conceituais e legislativos que estruturam o CTM e a REURB no Brasil, destacando convergências, limitações e desafios para sua implementação municipal. A abordagem metodológica envolve levantamento bibliográfico, exame das legislações federais aplicáveis e análise crítica das normas técnicas pertinentes, com destaque para a ABNT NBR 17047:2022 e a ABNT NBR 14166:2022. Os resultados mostram que a falta de padronização de dados, a heterogeneidade cartográfica e a ausência de mecanismos de interoperabilidade comprometem a efetividade do cadastro e dos processos de regularização fundiária. Conclui-se que a articulação entre CTM e REURB é fundamental para fortalecer a governança territorial, e que a adoção futura de uma Infraestrutura de Dados Espaciais (IDE) municipal representa um caminho promissor para integrar sistemas e aprimorar a gestão territorial, embora sua implementação demande desenvolvimento metodológico aprofundado em estudos posteriores.

As múltiplas aplicabilidades do Sensoriamento Remoto em prol do desenvolvimento estão presentes em ações promovidas por meio de parcerias públicas e/ou privadas voltadas à inovação tecnológica atrelada ao progresso da pesquisa, exercendo um papel fundamental nas tomadas de decisões e análises geoespaciais relacionadas ao planejamento e ao desenvolvimento. Assim, este estudo tem por objetivo a classificação de imagens orbitais utilizando machine learning em uma ferramenta open source, para subsidiar análises geoespaciais multitemporais referentes ao município de Itabirito (MG). A metodologia aplicada neste estudo envolveu o uso do plugin Dzetsaka no software QGIS versão 3.22 para a classificação das imagens de satélite, utilizando o algoritmo random forest como classificador. Para a validação, foi empregado o plugin AcATAMa, também incorporado ao software QGIS versão 3.22, juntamente com o método de amostras aleatórias estratificadas para avaliar a precisão dos mapas, tendo o quantitativo de 3.925 amostras de validação, divididas por ano. O cálculo do índice Kappa foi utilizado para avaliar a confiabilidade dos resultados, categorizando-os como 'substancial' e 'quase perfeito' nos anos analisados (2019-2022), no qual, obteve-se um índice Kappa entre 77% e 91%. A acurácia geral foi superior a 86%, indicando a precisão da classificação de uso e cobertura da terra no município de Itabirito (MG).

Este estudo identifica as classes de vegetação, areia e água na praia de Figueira da Foz utilizando imagens da Aeronave Remotamente Pilotada (ARP) Matrice 600 Pro e do satélite Sentinel-2A, com processamento via Orfeo Toolbox no QGIS. A metodologia empregada incluiu o algoritmo Random Forest e técnicas de extração como Haralick, operações morfológicas em escala de cinza e índices radiométricos. As amostras foram divididas para treinamento, teste e validação usando a técnica de hold-out validation. A análise das imagens revelou que a ortofoto obteve uma acurácia de cerca de 94%, superior aos 87% do Sentinel-2A. As métricas de precisão, recall e F1-score foram avaliadas através da matriz de confusão. Os resultados indicam que diferentes técnicas e produtos podem influenciar a escolha do mapeamento e metodologias de classificação, destacando a importância do Sensoriamento Remoto na observação e monitoramento da superfície terrestre.