Devido ao avanço tecnológico dos métodos de mapeamento as cartas cadastrais vêm sendo complementadas especialmente por produtos derivados de aerolevantamentos. Assim, o mercado vem disponibilizando diversos equipamentos que visam obter imagens por um sensor embarcado em Veículos Aéreos Não Tripulado (VANT). Nesse contexto, o objetivo deste trabalho foi avaliar a acurácia posicional das feições lineares de uma ortoimagem para aplicação na cartografia cadastral. Utilizou-se uma ortoimagem advinda de um VANT, e o método de avaliação chamado buffer duplo, plugin implementado no software QGIS. Dessa forma, foram comparadas as feições obtidas em campo com as feições obtidas por vetorização, realizada por três indivíduos diferentes (operadores), a partir do processo manual, sobre a ortoimagem. Portanto, a hipótese avaliada nesse estudo é se a ortoimagem, obtida por VANT, permite gerar produtos cartográficos com qualidade cadastral. Adicionalmente, foi comparado o valor da área obtida por topografia convencional, com a área obtida da vetorização manual. Obteve-se como resultado um produto Classe A para escala 1:1000, conforme proposto no PEC. Destaca-se que não houve diferença, na classificação, quanto aos resultados obtidos pelos operadores, nem diferenças entre a área teste e a área de referência. Assim, acredita-se que o produto seja adequado para aplicação na cartografia cadastral.

No abstract

In the development of neural networks, many realizations are performed to decide which solution provides the smallest prediction error. Due to the inevitable random errors associated with the data and the randomness related to the network (e.g., initialization of the weight and initial conditions linked to the learning procedure), there is usually not an optimal solution. However, we can advantage of the idea of making several realizations based on resampling methods. Resampling methods are often used to replace theoretical assumptions by repeatedly resampling the original data and making inferences from the resampling. Resampling methods provide us the opportunity to do the interval prediction instead of only one point prediction. Following this idea, we introduce three resampling methods in neural networks, namely Delete-d Jackknife Trials, Delete-1 Jackknife Trials, and Hold-Out Trials. They are discussed and applied to a real coordinate transformation problem. Although the Delete-1 Jackknife Trials offer better results, the choice of resampling method will depend on the dimension of the problem at hand.