MAPEAMENTO DA VEGETAÇÃO URBANA POR SENSORIAMENTO REMOTO E APRENDIZAGEM DE 3 MÁQUINA: UMA REVISÃO DO ESTADO DA ARTE

Objetivo: Este estudo realiza uma revisão sistemática das abordagens metodológicas aplicadas ao mapeamento da vegetação urbana por meio de sensoriamento remoto e técnicas de aprendizagem de máquina, incluindo tanto métodos tradicionais (shallow learning) quanto redes neurais profundas (deep learning). A principal contribuição é a identificação das metodologias mais recorrentes, suas limitações e as perspectivas para futuras pesquisas. Métodos: A pesquisa bibliográfica foi conduzida na base Web of Science, abrangendo publicações entre janeiro de 2007 e junho de 2024. Foram utilizados termos-chave relacionados a “vegetação urbana”, “sensoriamento remoto” e “inteligência artificial”. Resultados: Foram identificados 161 artigos, com crescimento acentuado a partir de 2020. As abordagens variam quanto à plataforma de aquisição (orbital, aérea e terrestre), tipo de dado (imagem ou nuvem de pontos), sensor utilizado (RGB, multiespectral e hiperespectral) e técnica de processamento (tradicional ou baseada em IA). Observa-se predominância do uso de imagens multiespectrais orbitais processadas por algoritmos de aprendizagem rasa, embora, a partir de 2019, as redes neurais profundas tenham ganhado destaque devido à sua capacidade de extrair características relevantes para análises mais detalhadas, como classificação por espécie e estimativas dendrométricas. Avanços recentes indicam esforços na adaptação da arquitetura das redes para aumentar a acurácia do mapeamento com dados de alta resolução espacial. Conclusão: A combinação de sensoriamento remoto e técnicas de machine learning tem se mostrado eficaz para o mapeamento e monitoramento da vegetação urbana, embora desafios persistam, sobretudo relacionados à heterogeneidade espectral e espacial do ambiente urbano. A aprendizagem rasa apresenta vantagens em termos de menor exigência de dados, sendo útil para tarefas de separação geral da vegetação. No entanto, aplicações mais complexas — como a distinção entre vegetação arbórea e rasteira — requerem arquiteturas profundas, cujo uso demanda conjuntos de dados mais robustos. Isso evidencia a necessidade de desenvolver modelos de deep learning com maior capacidade de generalização e menor dependência de grandes volumes de dados.