MAPEAMENTO ARBÓREO URBANO A PARTIR DE IMAGENS DE SENSORIAMENTO REMOTO USANDO APRENDIZAGEM DE MÁQUINA

A vegetação arbórea urbana é essencial para funções socioambientais, como melhoria da qualidade do ar e moderação do clima. Caracterizar a distribuição espaço-temporal de aglomerados arbóreos urbanos é fundamental para decisões de planejamento sustentável das cidades. Dados adquiridos por sensoriamento remoto são recorrentemente utilizados nessa temática e têm sido disponibilizados com resolução espacial e temporal cada vez melhores, exigindo, em contrapartida, métodos cada vez robustos para processamento desses dados. Este trabalho propõe o mapeamento espaço-temporal de regiões arbóreas urbanas em imagens multiespectrais PlanetScope com algoritmos supervisionados de aprendizagem de máquina. O desempenho dos modelos Random Forest (RF) e Support Vector Machine (SVM) foi comparado em uma abordagem multitemporal (anos de 2018 e 2023). Para tanto, desenvolveu-se um estudo de caso em uma cidade no estado de São Paulo. A partir dos dados gerados, fez-se a análise da saúde dessa vegetação nessas áreas usando índices espectrais extraídos das imagens orbitais. Os modelos foram treinados e testados, considerando uma tarefa de classificação binária: classe ‘árvore’ x classe ‘outra’, em uma proporção de dados de 75% e 25%, respectivamente. Esses dados foram obtidos por vetorização manual sobre as imagens PlanetScope. Na tarefa proposta, ambos os modelos demonstram capacidade qualiquantitativa na segregação da vegetação de demais alvos urbanos. Porém, apresentaram dificuldades em segmentar árvores de demais grupos de vegetação, como gramíneas, quando espacialmente próximos. Também, são limitados quanto à capacidade de generalização, por exemplo, ao serem treinados em imagens de uma data (ex.: ano 2018) e aplicados na inferência da classe ‘árvore’ em imagens de outras datas (ex.: 2023). Os dados PlanetScope viabilizam o mapeamento e análise da saúde da vegetação em ambiente urbano, sendo esse processo facilitado quando modelos baseados em aprendizagem de máquina são utilizados. O ambiente urbano tem uma diversidade espacial e espectral de alvos que onera a tarefa do classificador, indicando que a segregação entre classes de maior similaridade espectral requer modelos com maior capacidade de extração de características, como as redes neurais profundas.