MAPPING OF PERMEABLE AREAS USING MACHINE LEARNING TECHNIQUES AND REMOTE SENSING DATA

Abstract

Este trabalho propõe o mapeamento de áreas permeáveis de uma bacia hidrográfica em Campo Grande, Mato Grosso do Sul, Brasil, utilizando técnicas de aprendizado de máquina e dados de sensoriamento remoto. A dissertação está organizada em três capítulos. O primeiro apresenta o mapeamento de florestas urbanas e áreas permeáveis, através do método supervisionado baseado em objetos com o algoritmo de aprendizado de máquina Random Forest usando imagens do Google Earth (GE) Pro. O segundo capítulo apresenta uma análise cienciométrica de deep learning para dados de sensoriamento remoto, por meio de 1.429 documentos extraídos das bases de dados Scopus e Web of Science, até o ano de 2020. E o terceiro capítulo consiste na avaliação e validação do desempenho de algoritmos de deep learning U-Net, PSPNet e Deeplabv3, utilizando imagens do Google Earth (GE) Pro do ano de 2020, permitindo, após verificação, o mapeamento de florestas urbanas e áreas permeáveis na bacia do Prosa. Os resultados obtidos nos capítulos 1 e 3 indicaram alta precisão, com F1-Score superior a 90% para mapeamento de áreas permeáveis usando métodos tradicionais de aprendizado de máquina e aprendizado profundo, indicando uma excelente ferramenta para mapeamento de áreas verdes em ambientes de alta complexidade. Foi possível perceber com o estudo uma melhora considerável no mapeamento de áreas permeáveis feito pelos modelos de deep learning. A contribuição deste trabalho se dá pelo desenvolvimento de abordagens automatizadas para mapeamento de áreas permeáveis, pois representam um importante componente do ecossistema urbano, servindo como ferramenta de planejamento, monitoramento e gestão urbana adequada.

Palavras-chave: aprendizado profundo, análise cienciométrica, bacia urbana, cidades sustentáveis, monitoramento ambiental