IDENTIFICAÇÃO AUTOMATIZADA DE TIPOS DE ESTRUTURAS URBANAS NO DISTRITO FEDERAL: EXTRAÇÃO DE PADRÕES MORFOLÓGICOS EM IMAGENS DE SATÉLITE VIA DEEP LEARNING
Tipos de Estruturas Urbanas (USTs); Redes Neurais Convolucionais (CNN); Gestão Urbana; Planejamento Urbano
Este projeto de pesquisa visa propor uma metodologia de Redes Neurais Convolucionais (CNN) para a classificação de Tipos de Estruturas Urbanas (USTs) no Distrito Federal, Brasil. O Objetivo de Desenvolvimento Sustentável 11 (ODS-11) enfatiza a urbanização inclusiva, segura, resiliente e sustentável, destacando a necessidade de uma análise integrativa do espaço urbano. A classificação de padrões urbanos, como os USTs, é
crucial para a compreensão da dinâmica urbana e seus impactos ambientais e sociais. Este estudo propõe o uso de CNNs, que oferecem capacidades superiores no reconhecimento de padrões complexos em grandes volumes de dados, como imagens de satélite, para superar os desafios de classificação atuais. A metodologia envolve a preparação de conjunto de dados de imagens de satélite do Distrito Federal, segmentado por tipos de estruturas urbanas utilizando imagens do satélite CBERS-04A de 2022, sendo uma Pancromática e outra uma fusão das bandas RGB com a Pancromática. Três arquiteturas de CNN, U-Net, U-Net++ e DeepLabV3+, serão selecionadas e treinadas. A validação do modelo utilizará métricas como Acurácia Geral, Mean Intersection over Union (mIoU), Precisão, Dice-Score e Recall. Os modelos treinados serão então aplicados para gerar mapas de classificação de USTs para o Distrito Federal. Este projeto busca aprimorar o planejamento e a gestão urbana, fornecendo métodos eficientes e acessíveis para a classificação de estruturas urbanas, contribuindo para políticas públicas mais justas e eficazes no contexto de urbanização.