Made available in DSpace on 2014-06-12T16:01:33Z (GMT). No. of bitstreams: 2 arquivo9550_1.pdf: 9178763 bytes, checksum: 18a2b5e479030dca6553328995e7c59c (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2004 / Modelos digitais de elevação são representações topográficas. Estes modelos podem conter diversos erros, o que causa incerteza sobre a confiabilidade dos dados. O uso confiável de dados de elevação requer que a incerteza associada aos dados seja levada em consideração e que os erros responsáveis por esta incerteza sejam identificados e removidos. Porém, um problema crítico é o fato de que estes erros podem ser causados por várias razões diferentes em cada modelo digital de elevação gerado, o que torna a sua identificação e a sua correção muito difíceis. Vários estudos propuseram metodologias para detectar e quantificar, e também para remover diferentes tipos de erros. Contudo, estes procedimentos aplicam algoritmos especializados em detectar erros com características particulares, produzindo bons resultados apenas quando o modelo contém predominantemente estes tipos específicos de erros. Atualmente, as metodologias de identificação e de correção de erros de diferentes tipos em modelos digitais de elevação não estão consolidadas e não são eficientes, e não existem ferramentas disponíveis para os usuários de modelos digitais de elevação. Esta tese supre a necessidade de definir métodos para atacar a problemática de erros em modelos digitais de elevação. Para isso, uma metodologia foi definida e uma ferramenta foi implementada para melhorar a qualidade de modelos digitais de elevação. A metodologia é baseada em interfaces de realidade virtual, que permitem a representação precisa de dados complexos, a visualização realista de objetos com formas sofisticadas que possuem características como altura e profundidade, e que são bastante interativas para explorar informações. Um conjunto de técnicas de visualização, interação e navegação, baseadas em interfaces de realidade virtual e adequadas para manipular modelos de terreno, foi definido. De acordo com a metodologia, usuários experientes de modelos digitais de elevação devem realizar três atividades básicas em um ambiente virtual apresentando um modelo digital de elevação tridimensional, para identificar e remover erros. Uma destas três atividades é visualizar e explorar o modelo digital de elevação, a fim de obter conhecimento sobre os dados que pode ser usado para interpretar e verificar visualmente o modelo. Analisar o modelo digital de elevação usando ferramentas de análise especializadas, de forma que características e representações estatísticas podem ser usadas para realizar o controle de qualidade dos dados e identificar áreas de erro no modelo, é outra atividade a ser realizada pelo usuário. Finalmente, uma terceira atividade é a edição de áreas de erro encontradas no conjunto de dados, de forma a melhorar o modelo digital de elevação. O sistema, chamado DEMEditor, foi desenvolvido com base nesta metodologia, para usuários experientes de modelos digitais de elevação. O DEMEditor constrói modelos de realidade virtual desktop baseados em modelos digitais de elevação de radar de abertura sintética interferométrico, e permite a visualização, exploração, análise e edição destes modelos. A realidade virtual desktop está cada vez mais se tornando uma opção atrativa por causa da sua habilidade em construir ambientes bastante realistas e interativos de baixo custo, que podem ser utilizados por qualquer organização. O sistema aperfeiçoa a cadeia de processamento para gerar modelos digitais de elevação de alta precisão; após o processamento dos dados brutos em um modelo digital de elevação, este modelo pode ser analisado de forma a verificar se os dados estão corretos e erros podem ser identificados e corrigidos para melhorá-lo. O DEMEditor foi utilizado para melhorar modelos digitais de elevação gerados a partir de dados reais, através da realização de estudos de caso. De fato, a eficácia do sistema foi confirmada.A interpretação visual tem um papel importante neste trabalho, pois emprega o conhecimento do usuário sobre os dados no processo de tomada de decisão sobre áreas (de erro) a serem melhoradas no modelo digital de elevação. O conhecimento prévio do usuário permite a identificação de qualquer tipo de erro, não havendo a necessidade de utilizar algoritmos de detecção automática especializados em detectar erros com características particulares