This letter proposes a semiautomatic method for 3-D road extraction in rural areas using stereoscopic aerial images. A strategy based on the dynamic programming algorithm provides a solution to the road extraction problem in the object space. The direct tracing of road centerlines in the object space necessitates mathematical relationships connecting road points in the stereoscopic image spaces and in the object space, enabling integration of radiometric information from the stereoscopic images into the associated energy function. The extraction process begins by first measuring a few seed points in one image of the stereoscopic pair and then transforming these into the object-space reference system. Experimental results show that the proposed method was efficient and usually provided accurate road centerlines.

Since financial assets on stock exchanges were created, investors have sought to predict their future values. Currently, cryptocurrencies are also seen as assets. Machine learning is increasingly adopted to assist and automate investments. The main objective of this paper is to make daily predictions about the movement direction of financial time series through classification models, financial time series preprocessing methods, and feature selection with genetic algorithms. The target time series are Bitcoin, Ibovespa, and Vale. The methodology of this paper includes the following steps: collecting time series of financial assets; data preprocessing; feature selection with genetic algorithms; and the training and testing of machine learning models. The results were obtained by evaluating the models with the area under the ROC curve metric. For the best prediction models for Bitcoin, Ibovespa, and Vale, values of 0.61, 0.62, and 0.58 were obtained, respectively. In conclusion, the feature selection allowed the improvement of performance in most models, and the input series in the form of percentage variation obtained a good performance, although it was composed of fewer attributes in relation to the other sets tested.

In this letter, a semiautomatic method for road extraction in object space is proposed that combines a stereoscopic pair of low-resolution aerial images with a digital terrain model (DTM) structured as a triangulated irregular network (TIN). First, we formulate an objective function in the object space to allow the modeling of roads in 3-D. In this model, the TIN-based DTM allows the search for the optimal polyline to be restricted along a narrow band that is overlaid upon it. Finally, the optimal polyline for each road is obtained by optimizing the objective function using the dynamic programming optimization algorithm. A few seed points need to be supplied by an operator. To evaluate the performance of the proposed method, a set of experiments was designed using two stereoscopic pairs of low-resolution aerial images and a TIN-based DTM with an average resolution of 1 m. The experimental results showed that the proposed method worked properly, even when faced with anomalies along roads, such as obstructions caused by shadows and trees.

Esta pesquisa explora o registro de edificações, em particular a captura de dados LiDAR de fachadas por meio de Veículos Aéreos Não Tripulados (VANTs). O registro edificações é crucial para a preservação, manutenção e restauração do imóvel, proporcionando uma base precisa para intervenções e garantindo a documentação detalhada das características arquitetônicas. Foram utilizados o sensor LiDAR DJI Zenmuse L1 embarcado no VANT DJI Matrice 300 RTK. O sensor DJI Zenmuse L1 é notável por gerar nuvens de pontos tridimensionais adensadas e de alta definição, destacando-se no mapeamento cartográfico. O DJI Matrice 300 RTK se distingue por suas capacidades avançadas de detecção de colisão e posicionamento. O método foi testado e teve seus parâmetros definidos por meio de um estudo de caso realizado na Catedral Sagrado Coração de Jesus em Sinop, Mato Grosso, uma edificação com relevância arquitetônica e complexidade geométrica. A pesquisa foi dividida em duas etapas: a primeira visou avaliar os padrões de digitalização e coleta de dados a laser, enquanto a segunda focou em determinar a altitude de voo mais adequada. A primeira etapa revelou que o modo de disparo não repetitivo com coleta de dois retornos do pulso laser era o mais eficaz, produzindo nuvens de pontos mais detalhadas e com menos falhas. A segunda etapa mostrou que, neste estudo de caso, a altitude de 35 metros gerava nuvens de pontos mais consistentes, com tendência de degradação para altitudes maiores. Os resultados demonstraram a eficiência deste método para o registro de edificações.

Este estudo analisa a dinâmica espaciotemporal dos focos de calor na Estação Ecológica de Taiamã, unidade de conservação situada no Pantanal de Mato Grosso, e em sua zona de entorno, no período de 2000 a 2024. Para tanto, foram utilizados dados de sensoriamento remoto obtidos pelos sensores MODIS, complementados por informações do Instituto Nacional de Pesquisas Espaciais (INPE). Os resultados revelam a ocorrência recorrente de focos de calor ao longo de todos os anos avaliados, com maior concentração entre os meses de agosto e outubro, período caracterizado pela estiagem regional. Destaca-se, entretanto, o registro atípico de eventos nos meses de janeiro e fevereiro de 2024, quando a sazonalidade hídrica do rio Paraguai e o regime pluviométrico deveriam assegurar condições úmidas. Tal anomalia sugere associação com déficits de precipitação e exposição de material orgânico altamente combustível, típico da região. A persistência e a expansão temporal das ocorrências de fogo indicam vulnerabilidade crescente da unidade frente às mudanças no regime hidrológico do Pantanal. Nesse sentido, o fortalecimento de estratégias de monitoramento sistemático, gestão adaptativa do fogo e da água, restauração ambiental e programas de educação socioambiental mostram-se fundamentais para mitigar riscos e garantir a integridade ecológica da Estação Ecológica de Taiamã, um ecossistema singular e de elevada relevância para a conservação.