TÉCNICAS DE SENSORIAMENTO REMOTO PARA DETECÇÃO DE FEIÇÕES EROSIVAS EM ÁREAS VERDES URBANAS: UMA REVISÃO CRÍTICA

As áreas verdes urbanas desempenham funções ecológicas fundamentais, mas enfrentam ameaças crescentes de processos erosivos que comprometem sua integridade e funcionalidade. Este trabalho apresenta uma revisão crítica das técnicas de sensoriamento remoto aplicáveis à detecção de feições erosivas em áreas verdes urbanas, analisando a evolução metodológica desde processamento digital tradicional até a aprendizagem profunda. A análise abrange dados publicamente disponíveis, incluindo Landsat, Sentinel-2 e plataformas de processamento em nuvem, bem como abordagens metodológicas categorizadas em processamento digital tradicional, aprendizagem de máquina clássica e aprendizagem profunda. Os resultados evidenciam que métodos tradicionais baseados em índices de vegetação mantém relevância para monitoramento rápido (precisão 60-80%), enquanto algoritmos de aprendizagem de máquina como SVM e Random Forest demonstram superior capacidade para complexidade urbana (80-94%). A aprendizagem profunda, especialmente CNNs e Vision Transformers, representa o estado-da-arte com precisões de 92-98% e melhorias de até 25% comparado aos métodos tradicionais. A democratização através de dados gratuitos e plataformas como Google Earth Engine criou condições sem precedentes para monitoramento operacional. Tendências futuras incluem integração multi-sensor, sensoriamento em tempo real, IA explicável e tecnologias emergentes. Limitações identificadas incluem necessidade de dados de treinamento volumosos, interpretabilidade limitada de deep learning e escassez de estudos específicos para erosão urbana. A convergência de dados abertos, algoritmos avançados e processamento distribuído oferece oportunidades transformadoras para resiliência urbana e sustentabilidade ambiental.