PROPOSTA DE GENERALIZAÇÃO CARTOGRÁFICA AUTOMÁTICA: UM ESTUDO DE CASO PARA ARRUAMENTOS

Transcrição

1 PROPOSTA DE GENERALIZAÇÃO CARTOGRÁFICA AUTOMÁTICA: UM ESTUDO DE CASO PARA ARRUAMENTOS Everton Bortolini Daniel Rodrigues dos Santos Claudia Sluter Robbi UFPR Universidade Federal do Paraná Departamento de Geomática RESUMO Este trabalho apresenta um método para generalização cartográfica automática de bases cadastrais contendo arruamentos usando algoritmos de processamento digital de imagens (PDI). A implementação de algoritmos robustos e eficientes para generalização cartográfica é uma tarefa de alto grau de complexidade, uma vez que diversos problemas devem ser analisados simultaneamente. A principal característica do método proposto é o emprego de uma sequencia de técnicas de PDI para generalização de uma base cadastral. Primeiramente, a resolução espacial da imagem digital de uma base cadastral é reduzida e transformada para níveis de cinza. Em seguida, a imagem é limiarizada e os ruídos são atenuados através de um processo de suavização de imagens. Finalmente, os pixels de borda são detectados e um algoritmo conhecido com Convex Hull que extrai a área de influência das ruas. Para validar o método proposto foi conduzido um experimento usando uma base cadastral na escala 1:5, contendo apenas arruamentos. Os resultados obtidos foram comparados com métodos manuais de generalização cartográfica e mostraram que o método proposto é promissor, no entanto necessita de maiores investigações, uma vez que elimina detalhes existentes nas feições e fusiona vários elementos no processo automático de generalização. Palavras chaves: Generalização Cartográfica, Base cadastral com arruamentos, Processamento Digital de Imagens. ABSTRACT This work presents a method for automatic map generalization of an urban street network database using digital image processing algorithms. The efficients and robust algorithms implementation able to execute the map generalization is a task very complex, because it is treated as an optimization problem. The main characteristic of the proposed method is the employing of the digital image processing tasks for map generalization. Firstly, the image of the street network database is converted to gray level. After, filters such as threshold and blur are applied. Finally, the pixel edges are detected and an algorithm known as Convex Hull is used to close the polygons. In order to validate the proposed method one experiment was conducted using a street network database with scale 1:5. The obtained results shown the potential of the proposed method, however more investigation should be done to validate the implemented algorithm. Keywords: Map Generalization, street network database, Digital Image Processing. 1. INTRODUCAO As pesquisas sobre a automatização dos processos de generalização cartográfica são de extrema importância na área de Cartografia. A generalização cartográfica é considerada um problema de otimização, uma vez que diversas tarefas devem ser analisados simultaneamente. Outro fator preponderante é a automação completa do processo. A implementação de algoritmos eficientes e robustos que possibilitem a generalização cartográfica é de alto grau de complexidade. Desde a década de 197 diversos estudos tem sido realizados para automatização dos procedimentos de generalização cartográfica. Vale lembrar que McMASTER e SHEA (1992) contextualizaram, historicamente, a gênese das pesquisas sobre generalização cartográfica no âmbito da automatização. 1

2 Outra tarefa que torna complexo a automação da generalização cartográfica é a dificuldade em manter a legibilidade dos símbolos e a acurácia posicional invariantes. TAURA (25) frisou que a generalização cartográfica deve ser realizada de modo a preservar a comunicação cartográfica em representações produzidas por derivação de cartas já existentes. Além disso, os processos de generalização cartográfica são caracterizados pela subjetividade, no qual cada profissional executa de forma diferente, resultando em produtos diferentes. Portanto, os processos de automatização estão sujeitos a avaliação envolvendo vários especialistas. KRAAK e ORMELING (1996) afirmaram que métodos distintos de automatização dos processos de generalização cartográfica resultam em produtos cartográficos diferentes. MONMONIER (1983) afirmou que há provavelmente mais variação na seleção e aplicação de um algoritmo de generalização em modo digital do que em duas versões manualmente esboçadas. Contudo, URENAS (24) propôs um método alternativo para a avaliação do produto gerado pela generalização cartográfica, denominado de método de avaliação analítica. Tal método dispensa a necessidade de um grupo significativo de especialistas, porém, sua confiabilidade não supera a analise visual realizada por cartógrafos experientes. O método de avaliação analítica utiliza um conjunto de analises para definir qual a qualidade do produto da generalização. Os processos de generalização existentes estão baseados em modelos conceituais desenvolvidos nestas últimas décadas. McMASTER e SHEA (1992) abordaram cinco destes modelos, tais como, o modelo de Ratajski elaborado por RATAJSKI (1967), o modelo de Nickerson e Freeman por NICKERSON E FREEMAN (1986), o modelo de Brassel e Wiebel por BRASSEL E WIEBEL (1988), além de um modelo desenvolvido por McMASTER E SHEA (1992), chamado de modelo conceitual compreensivo ou completo. SLOCUM (1999) citou o modelo de Robinson proposto por ROBINSON ET AL (1978). Os modelos conceituais de generalização cartográfica, em sua maioria, foram desenvolvidos baseados no uso de vetores, muito difundidos pelo uso dos Sistemas de Informação Geográficas (SIG). Assim, a aplicação dos processos de generalização em modo raster é tratada de maneira secundária, sendo pouco citado em trabalhos científicos. SLOCUM (1999) abordou de forma superficial a chamada generalização baseada em raster. O desenvolvimento de métodos para a generalização com a utilização de imagens pode criar uma alternativa aos problemas dos atuais métodos baseados em vetores. De forma geral, algumas pesquisas de generalização baseada em raster já foram desenvolvidas por PANTAZIS ET AL (29). Os autores empregaram técnicas morfológicas sobre imagens. Na tese de UREÑAS (24) são apresentados métodos elaborados para a execução de generalização cartográfica baseada em vetorraster, tais como a de Monmonier (MONMONIER, 1983) e de Schylberg (SCHYLBERG, 1993). A metodologia supracitada também foi empregada por UREÑA e ARIZA (25a) e UREÑAS e AZIRA (25b). Em UREÑAS e AZIRA (28) os mapas generalizados passaram por avaliação de especialistas, caracterizado como um processo semiautomático de generalização. Além disso, este trabalho aplicou o método de avaliação analítica, anteriormente citado neste texto. Este mesmo trabalho mostrou resultados promissores quanto ao uso de técnicas de processamento digital de imagens (PDI) na implementação dos processos de generalização cartográfica. A variedade de técnicas e algoritmos desenvolvidos em PDI abre um leque de possibilidades para automação da generalização de produtos cartográficos. Esse trabalho tem como objetivo propor processos de generalização cartográfica baseada em técnicas de processamento digital de imagens. Consequentemente desenvolver um algoritmo baseado na metodologia proposta. De forma pratica, é realizada apenas a generalização cartográfica dos arruamentos, do qual deve resultar na área de influência das ruas. A partir disso, o resultado de tal etapa passa por processos avaliativos, no qual é comparado com o produto obtido por execução manual da generalização cartográfica. 2. CONCEITUAÇÃO 2.1 Generalização Cartográfica em ambientes digitais Segundo SLOCUM (29), a generalização cartográfica consiste em reduzir a informação geométrica contida no mapa causada pela mudança de escala, da proposta do mapa, publico alvo e/ou problemas técnicos. Para KRAAK e OMERLING (1996) o processo de redução da quantidade de detalhes em um mapa de forma significativa é chamada de generalização. Também segundo KRAAK e OMERLING (1996) o processo de generalização é normalmente executado quando a escala tem de ser reduzida. McMASTER e SHEA (1992) citado por TAURA (25), definiram a generalização cartográfica como o processo de derivar um conjunto de dados cartográficos simbologicamente ou digitalmente codificados pela aplicação de transformações espaciais e de atributos a uma fonte de dados. TAURA (25) reforçou a ideia citando que o problema relativo a quantidade de informação disponível e o espaço existente para representação ocorrem no momento de representar uma região em uma escala menor do que aquela para a qual os dados foram coletados. Em outras palavras, uma das consequências da redução da escala é a necessidade de realizar a generalização cartográfica. TAURA (25) completou: Quanto menor a escala de uma carta, maior será o grau de generalização a que os objetos do mundo real, ali representados, foram submetidos. A partir disso, qualquer projeto em que se julgue necessário a produção de mapas com diferentes níveis de detalhamento das feições devese utilizar da generalização cartográfica. Assim, podem ser produzidos produtos cartográficos na maior escala que os dados coletados possam permitir e, posteriormente, podese gerar, através de 2

3 técnicas de generalização cartográfica, escalas uteis em outros projetos de mapeamento. 2.2 Generalização Cartográfica baseada em raster Segundo GONZALEZ e WOODS (2) o termo imagem referese a uma função de intensidade luminosa bidimensional, denotada por f(x,y), em que o valor ou amplitude de f nas coordenadas espaciais (x,y) propicia a intensidade de brilho da imagem naquele ponto. Como a luz é uma forma de energia, f(x,y) deve ser positiva e finita. Os elementos dessa matriz digital são chamados de elementos da imagem, elementos da figura, pixels ou pels, estes dois últimos, abreviações de picture by elements. A generalização cartográfica baseada em imagens raster é uma técnica pouco pesquisada na comunidade cientifica, dado ao uso massivo de vetores popularizados pelo SIG. Assim, somente pesquisas, tais como as realizadas por URENAS (24) (25a) (25b) (28) são encontradas na literatura. A generalização cartográfica com o uso de imagens raster não é baseado nos operadores comumente vistos em processos com vetores, como fusão, agregação e junção. Assim, toda a implementação deve ser realizada baseada em filtros e convolações desenvolvidas em PDI. Segundo URENAS (24) o processo de generalização em imagens raster pode ser realizado de diversas formas como por exemplo através do emprego de filtros ou convoluções, o emprego de sistemas de classificação, o emprego de vizinhança, etc. No entanto, todos os processos descritos atuam de modo que se pode denominar pouco conceitual, ou seja, há uma grande diferença entre o que o olho humano captura, por exemplo, a fusão dos edifícios, ao que o operador iria executar (morfologia matemática, distancias distintas e preenchimento de lacunas, etc). Além disso, a representação de objetos no formato raster é implícita, uma vez que se tem todo o conhecimento da área. Em qualquer pixel podem ser obtidos os seus valores ou atributos representativos, mas é desconhecida a forma dos objetos gerados em tal representação. A obtenção de tais objetos exigem muitos cálculos adicionais. Contudo, a aplicação da segmentação de imagem pode ser o melhor método com a finalidade de obter os objetos existentes na mesma. Tais objetos devem ser tratados de maneira independente pelos filtros, além disso, os processos se baseiam, totalmente, nas técnicas desenvolvidas em PDI. Porém, é interessante a análise dos processos de generalização por tais técnicas. Os mesmos permitem realizar comparações com operadores existentes, no qual é possível identificar similaridades. Tais similaridades indicam qual conjunto de filtros devem ser aplicados afim de produzir o mesmo efeito de determinado operador. 2.3 Processamento Digital de Imagens (PDI) As técnicas desenvolvidas pelo PDI possibilitam a extração de informações de imagens. Tal procedimento quando bem desenvolvido pode ser aplicado em qualquer imagem, incluindo exceções ou mesmo situações onde a informação é de difícil aquisição. Além disso, o PDI contribui para a automatização dos processos, otimizando e padronizando as analises a serem realizadas. Portanto, o PDI é uma ferramenta potente para a generalização cartográfica. Segundo GONZALEZ e WOODS (2) o interesse em métodos de processamento de imagens digitais decorre de duas áreas principais de aplicação, ou seja, a melhoria de informação visual para a interpretação humana e o processamento de dados de cenas para percepção automática através de maquinas. Os autores também citaram que o processamento de imagens digitais envolve procedimentos que são geralmente expressos em forma algorítmica. Assim, com exceção da aquisição e exibição de imagens, a maioria das funções de processamento de imagens pode ser implementada em software. 3. METODOLOGIA 3.1 Aquisição A adoção de operações de processamento digital de imagens no processo de generalização cartográfica é apresentada neste trabalho. No mesmo, o algoritmo desenvolvido é aplicado sobre uma base cadastral, contendo apenas o arruamento, no formato de imagem raster, obtido por exportação de arquivos com o software QuantumGIS. O nível de detalhes das feições nas imagens originais é dependente da escala e da resolução da imagem (3 dpi). Neste trabalho foram escolhidos três bases cartográficas de áreas de estudos distintas cedidas pelo ParanáCidade, sendo uma correspondente a Campo Largo, outra a Guarapuava e uma base de Araucária. Para tal generalização, adotouse escala de 1:5, cujo objetivo é a produção de bases na escala de 1: Processamento O método proposto neste trabalho esta dividido em seis etapas, a saber: 1) Redução da resolução da imagem Tal redução deve respectivo ao valor de redução entre a escala original do mapa e a escala ao qual a generalização objetivase, de forma realizar generalização por meio da eliminação de detalhes; 2) Conversão da imagem cromática para monocromática Neste caso as feições tem a mesma classificação, não sendo necessário diferenciálas por cores. A monocromatização torna mais simples os processos posteriores 3

4 aplicados sobre a imagem; 3) Aplicação de uma função de limiarização (threshold) Tal processo binariza a imagem, dividindo os pixels em duas classes, feições e nãofeições; 4) Aplicação de uma função de suavização pelo cálculo da mediana da vizinhança Neste caso, tem como função eliminar o excesso de informação existente, sendo o principal meio de generalização aplicado sobre a imagem; 5) Detecção dos pontos de bordas Tal método faz uso da função de limiarização (threshold), somado a função para detecção de bordas, de forma a delimitar o novo contorno das feições. Tal procedimento possibilita obter valores numéricos de coordenadas, no qual é possível realizar tratamentos matemáticos, como o ajustamento de observações; e 6) Representação das bordas Neste caso o produto gerado é representado pela generalização cartográfica, cujas bordas representam a área de influência das ruas. Para tal método de processamento foi aplicado três conjunto de filtros distintos, nomeados de, e filtro75. O filtros propostos são usadas para avaliar os produtos gerados. Os algoritmos foram implementados usando as bibliotecas opensource da OpenCV (Open Source Computer Vision) em linguagem de programação C/C++ e utilizando o ambiente de desenvolvimento de softwares Code::blocks para Linux. 3.3 Avaliação O método de avaliação aplicado neste trabalho foi baseado em UREÑAS e AZIRA (28), no qual os autores citam dois métodos distintos, o de analise visual e a avaliação analítica. A analise visual é baseada no parecer dado por um grupo de especialistas, no qual os mesmo elencam possíveis similaridades e diferenças na generalização cartográfica esperada, bem como, os conflitos ocorridos nesta generalização. A avaliação analítica é baseada na comparação entre a generalização cartográfica obtida manualmente e a obtida automaticamente. A descrição mais detalhada destes métodos podem ser encontrado em URENAS (24). Neste trabalho foi aplicado o método de avaliação analítica, dado a sua facilidade de aplicação, dispensando assim a necessidade de um grupo de especialistas Avaliação Analítica Segundo UREÑAS e AZIRA (28) a ideia principal deste método é derivar analiticamente um conjunto de índices ou indicadores para avaliar, automaticamente, os resultados de um processo de generalização. O método apresenta um conjunto de 11 índices que definem a qualidade da generalização cartográfica. Tais índices podem ser entendidos a partir da tabela 1. 4

5 TABELA 1: ÍNDICES USADOS NA AVALIAÇÃO ANALÍTICA. Indicadores Taxa Valor Definição Ideal Descrição Nome Valor de índice de aumento entre duas imagens Índice de Moran [2,2] Autocorrelação espacial da imagem Entropia Binaria [1,1] Numero mínimo de bits armazenados sem perda de dados Tom [1,1] Valor médio da imagem Urbano/Não Urbano [, ] Razão de pixeis Urbano/Nãourbano Porcentagem de concordância [,1] 1 Porcentagem de pixeis corretamente classificados Divergência de Kullback [,1] Grau de similaridade entre duas imagens Divergência de autocorrelação [,1] Extensão de medidas previas com a característica de correlação Melhoria [,1] 1 Pixeis classificados corretamente menos pixeis classificados corretamente previamente Deterioração [,1] Pixeis classificados incorretamente menos pixeis classificados corretamente previamente Similaridade Correta [,1] 1 Pixeis classificados corretamente nas três imagens Similaridade Incorreta [,1] Pixeis classificados incorretamente nas três imagens Índice de duas imagens Índice de três imagens Fonte: UREÑAS e AZIRA (28) Os valores de taxa obtidos, a partir de cada produto advindo do processo de generalização cartográfica serve como critério para a definição dos melhores valores para o conjunto de filtros usados em tal processo. Portanto, na comparação entre os distintos produtos para uma área, verificase qual obteve o valor de taxa mais próximo do valor considerado ideal. Assim. neste método é avaliado como melhor resultado aquele que obter a maior quantidade de índices atendendo a este critério. 4. RESULTADOS Foram gerados um total de nove imagens raster, sendo três para cada área de estudo. Os resultados obtidos com o método de avaliação analítico proposto são apresentados nas tabelas 2, 3 e 4. Para a área de estudo de Campo Largo, os resultados dos índices indicam o como o mais adequado para a aplicação. Em tal caso, 5 dos 1 índices apontaram tal afirmação (tabelas 2 e quadro 1). 5

6 Nome TABELA 2: VALORES DOS ÍNDICES PARA CAMPO LARGO. filtro75 Índice de Moran 1,1175 1,1146 1,912 Entropia Binaria,457,4444,4581 Tom,937,976,934 Urbano/Não Urbano,1192,1134,1197 Porcentagem de concordância,9691,9731,9694 Divergência de Kullback,61,9,58 Divergência de autocorrelação Melhoria,71,698,688 Deterioração,114,7,11 Similaridade Correta,9562,9595,9533 Similaridade Incorreta,177,18,189 QUADRO 1: ORIGINAL E RESULTANTES PARA OS TRÊS FILTROS PARA CAMPO LARGO. Original filtro75 Para o caso de Guarapuava, 6 índices, dos 1 avaliados, apontaram o filtro75 como a melhor opção para generalização desta área (tabelas 3 e quadro 2). 6

7 Nome TABELA 3: VALORES DOS ÍNDICES PARA GUARAPUAVA. filtro75 Índice de Moran 1,1183 1,1169 1,1117 Entropia Binaria,8515,8395,8167 Tom,7229,7314,7452 Urbano/Não Urbano,6218,585,5139 Porcentagem de concordância,952,9491,939 Divergência de Kullback,243,314,44 Divergência de autocorrelação Melhoria,2184,2133,212 Deterioração,12,62,28 Similaridade Correta,95,934,8929 Similaridade Incorreta,362,413,534 QUADRO 2: ORIGINAL E RESULTANTES PARA OS TRÊS FILTROS PARA GUARAPUAVA. Original filtro75 7

8 Para a área de estudo de Araucária, o conjunto de índices indicaram, assim como para Campo Largo, o como o mais adequado neste caso (tabelas 4 e quadro 3). Nome TABELA 4: VALORES DOS ÍNDICES PARA ARAUCÁRIA. filtro75 Índice de Moran 1,1168 1,1138 1,12 Entropia Binaria,4854,471,5891 Tom,8948,8996,8582 Urbano/Não Urbano,1333,1255,198 Porcentagem de concordância,959,9567,9517 Divergência de Kullback,86,123,196 Divergência de autocorrelação Melhoria,661,66,8 Deterioração,26,148,34 Similaridade Correta,9356,944,9268 Similaridade Incorreta,253,253,113 8

9 Original QUADRO 3: ORIGINAL E RESULTANTES PARA OS TRÊS FILTROS PARA ARAUCÁRIA. Filtro75 5. CONCLUSÕES Este trabalho apresentou um método para generalização cartográfica automática usando técnicas de PDI. Para validar o método proposto três experimentos foram conduzidos usando uma base cadastral de arruamentos na escala 1:5. O conjunto de filtros implementados foram responsáveis por simplificar os arruamentos, extrapolando os 9

10 mesmo, obtendose uma área de influência das ruas. Para cada conjunto de filtro aplicado foram suprimidas, em distintos graus, vias isoladas. Neste trabalho, as áreas de influencia das ruas se caracterizam por áreas continuas no entorno do ruas. A partir desta premissa, o filtro75 suprimiu a maioria das vias isoladas, enquanto o preservou a maioria destas. Porém o criou inúmeras áreas vazias em meio ao que foi considerado como área de influência das ruas. O emprego do filtro75 gerou uma áreas mais homogêneas, enquanto o caracterizouse por ser um filtro intermediário aos dois citados anteriormente. O de forma geral, o filtro75 se mostrou mais adequado para o caso de Guarapuava. Em tal área o arruamento é mais concentrado, não havendo ruas isoladas. Assim, para casos de cidades com arruamento semelhante o uso do filtro75 é aconselhado. Porém, o apresentouse como melhor soluções para as áreas de estudo de Campo Largo e Araucária. Tais áreas não possuem certa homogeneidade nos arruamentos, o que faz do uma solução com qualidade superior ao filtro75, além de mais eficiente que o. Para o caso de estudo de Araucária, o pode ser uma solução aceitável. De forma geral, os resultados obtidos atenderam a proposta do trabalho, do qual a partir do arruamento, extraise a área de influência das ruas para representação em cartas em escala menor. A generalização obtida neste trabalho atende as premissas propostas por McMASTER e SHEA (1992) quanto a generalização, além de contemplar outros conceitos explicitados sobre o tema, como em SLOCUM (29) e KRAAK e OMERLING (1996). As metodologias para a generalização cartográfica baseada em imagens raster necessitam de maiores investigações teóricas, tal como o elaboração de modelos que organizem os conhecimentos deste estudo. Em contra partida, tal processo de elaboração de um modelo devese basear nos processos descritos nos algoritmos citados anteriormente. Portanto o desenvolvimento teórico e prático deve ser realizado de forma conjunta, tornando a estudos da generalização cartográfica baseada em imagem raster uma técnica consistente. Para trabalhos futuros, é importante a aplicação do método desenvolvido neste trabalho em outras representações gráficas, como a hidrografia e edificações e também serão realizados testes com uma variedade maior de conjuntos de filtros, os quais podem resultar em melhores soluções às apresentadas neste trabalho. AGRADECIMENTOS Ao Conselho Nacional de Pesquisa (CNPq) pela disponibilização da bolsa de Iniciação Cientifica. REFERÊNCIAS BIBLIOGRÁFICAS BRASSEL, K. E.; WEIBEL R.. A Review and Conceptual Framework for Automated Map Generalization. International Journal of Geographic Information Systems, 2(3):229244,1988. GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. Pearson Education, 28. KRAAK, M.; ORMELING, F. Cartography: visualization of spatial data. Guilford Press, 211. McMASTER, R.B.; SHEA, K.S. Generalization in Digital Cartography. 1.ed. Washington: Association of American Geographers, p. MONMONIER, M. Rastermode area generalization for land use and land cover maps. Cartographica, Vol. 2 (4): 6591, MORRISON, J. L. Map Generalization: theory, practice and economics. In: INTERNATIONAL SYMPOSIUM ON COMPUTERASSISTED CARTOGRAPHY (AUTOCARTO II), 1.ed, p NICKERSON B. G.; FREEMAN H. Development of a rulebased system for automatic map generalization: In: INTERNATIONAL SYMPOSIUM ON SPATIAL DATA HANDLING, 2.ed, p OPENCV (Open Source Computer Vision), Disponível em: < >, Acessado em Julho de 213. PANTAZIS, D. N. et al. Morphing Techniques: Towards New Methods for Raster based Cartographic Generalization. In: INTERNATIONAL CARTOGRAPHY CONFERENCE, 24.ed., 29. Santiago, Chile. p RATAJSKI, L. Phenomenes des points de generalization. International Yearbook of Cartography, v. 7. p , ROBINSON, A.H.; SALE, R.D.; MORRISON, J.L.; MUEHRCKE, P.C. Elements of cartography. New York: John Wiley and Sons, p

11 SCHYLBERG, L. Computational Methods for Generalization of Cargoraphic Data in a Raster Environment. Tese de doutorado Instituto Real de Tecnologia de Estocolmo. Estocolmo, Suécia SLOCUM, T. A. Thematic cartography and visualization. 3.ed. UpperSaddle River, New Jersey, USA: PrenticeHall, p. TAURA, T. A. Estudo da simbologia para cartas nas escalas 1: 2., 1: 5. e 1: 1. de mapeamento urbano do paranacidade e generalização cartográfica. Tese de Doutorado Universidade Federal do Paraná. 29. UREÑA CÁMARA, M. A. Generalización de cascos urbanos en formato raster. 24. Tese de Doutorado University of Jaén. Jaén, Spain. 24. UREÑA CÁMARA, M. A.; ARIZA LÓPEZ, F. J. RasterVector Cartographic Numeric Database. In: INTERNATIONAL CARTOGRAPHIC CONFERENCE. 22.ed., 25. La Coruña, Spain. UREÑA CÁMARA, Manuel Antonio; ARIZA LÓPEZ, Francisco Javier. Generalization of urban cityblock (builtup areas) maps in rastervector mode. In: INTERNATIONAL CARTOGRAPHIC CONFERENCE. 22.ed., 25. La Coruña, Spain. UREÑA CÁMARA, Manuel Antonio; ARIZA LÓPEZ, Francisco Javier. Semiautomatic urban map generalization using a rastervector model. International Review of Geographical Information Science and Technology,