URBAN TREE COVER MAPPING IN CAMPO GRANDE (MS) USING DEEP LEARNING AND REMOTE SENSING TECHNIQUES

Authors

DOI:

https://doi.org/10.14393/RCG2779144

Keywords:

Tree cover, Semantic segmentation, Urban planning, Watersheds, Remote sensing

Abstract

This study aims to map and analyze tree cover in the urban watersheds of Campo Grande (MS), Brazil, using remote sensing and deep learning techniques. High-resolution orthophotos from 2023 and the InternImage semantic segmentation model, trained with annotated data from the Prosa Basin, were used to classify permeable and impermeable areas. The results reveal significant variations in vegetation density across the eleven analyzed basins, with the Bandeira Basin showing the highest coverage (20%) and the Anhanduí the lowest (5.59%). The model achieved an accuracy of 93.34%, an IoU of 78.42%, and an F-score of 87.9%, demonstrating strong performance. The analysis identified priority areas for intervention and provided support for sustainable urban planning. The research highlights the importance of green areas for stormwater management and climate resilience, contributing to urban environmental quality and to the development of urban tree cover policies.

Downloads

Download data is not yet available.

Author Biographies

  • Eveline Terra Bezerra, Federal University of Mato Grosso do Sul

    Bacharel em Arquitetura e Urbanismo pela Universidade Católica Dom Bosco, mestre em Geografia pela Universidade Federal de Mato Grosso do Sul, doutoranda em Tecnologias Ambientais pela Universidade Federal de Mato Grosso do Sul

  • João Lucas Aparecido Rocha Paes, Federal University of Mato Grosso do Sul

    Formado na escola fundamental de ensino Múcio Teixeira Junior, pelo ensino técnico e médio no instituto federal de ensino de Mato Grosso do Sul e atualmente cursa e faz pesquisas pela Universidade Federal de Mato Grosso do Sul.

  • José Marcato Junior, Federal University of Mato Grosso do Sul

    Graduado em Engenharia Cartográfica, mestre e doutor em Ciências Cartográficas pela Universidade Estadual Paulista Júlio de Mesquita Filho. Professor Associado na Universidade Federal de Mato Grosso do Sul.

  • Wesley Nunes Gonçalves, Federal University of Mato Grosso do Sul

    Graduação em Engenharia de Computação pela Universidade Católica Dom Bosco (2007), mestrado em Ciências da Computação pela Universidade de São Paulo (2010) e doutorado em Física pela Universidade de São Paulo (2013).

  • Lucas Yuri Dutra de Oliveira, Federal University of Mato Grosso do Sul

    Bacharel em Geografia pela Universidade Federal de Mato Grosso do Sul, mestre e doutorando no Programa de Pós-Graduação em Tecnologias Ambientais (PPGTA) pela Universidade Federal de Mato Grosso do Sul.

  • Anette Eltner, TUD Dresden University of Technology

    Graduada em Geografia (Dipl.-Geogr.) pela Technische Universität Dresden, doutora em Geografia Física pela Universidade Católica de Eichstätt-Ingolstadt. Atualmente, é professora de Sistemas de Geossensores no Instituto de Fotogrametria e Sensoriamento Remoto da Technische Universität Dresden, Alemanha.

References

ABREU, K. M. P.; COUTINHO, L. M. Sensoriamento remoto aplicado ao estudo da vegetação com ênfase em índice de vegetação e métricas da paisagem. Vértices, Campos dos Goytacazes, v. 16, n. 1, p. 173–198, jan./abr. 2014. https://doi.org/10.5935/1809-2667.20140012

ACSELRAD, H. Ambientalização das lutas sociais - o caso do movimento por justiça ambiental. Estudos Avançados, São Paulo, v. 24, n. 68, p. 103–119, 2010. https://doi.org/10.1590/S0103-40142010000100010

ALMEIDA, C.; GARCIA, C. B. Desigual distribuição de árvores em São Paulo revela problemas de urbanização. Jornal da USP, 2020. Disponível em: https://jornal.usp.br/ciencias/desigual-distribuicao-de-arvores-em-sao-paulo-revela-problemas-de-urbanizacao/. Acesso em: 31 jul. 2025.

APRENDA DATA SCIENCE. Tarefas em Visão Computacional. 2024. Disponível em: https://www.aprendadatascience.com/blog/vis%C3%A3o-computacional/tarefas-em-vis%C3%A3o-computacional. Acesso em: 19 fev. 2024.

BARGOS, D. C.; MATIAS, L. F. Áreas verdes urbanas: um estudo de revisão e proposta conceitual. Revista da Sociedade Brasileira de Arborização Urbana, Piracicaba, v. 6, n. 3, p. 1–17, set. 2011. Disponível em: https://revistas.ufpr.br/revsbau/article/view/66481/38295. Acesso em: 23 nov. 2020.

CARLOS, A. F. A. O espaço urbano: novos escritos sobre a cidade. São Paulo: FFLCH, 2007.

DEEP LEARNING BOOK. Machine learning – guia definitivo – parte 10. 2024. Disponível em: https://www.deeplearningbook.com.br/machine-learning-guia-definitivo-parte-10/. Acesso em: 19 fev. 2024.

DOMINGOS, P. L. H.; FONSECA, L. M. G.; MONTEIRO, A. M. V. Extração de vegetação intra-urbana de imagens de alta resolução. In: Simpósio Brasileiro de Sensoriamento Remoto, 12., 2005, Goiânia. Anais [...]. São José dos Campos: INPE, 2005. p. 3739–3746.

ELIAS, L. L. S. Justiça ambiental e distribuição de áreas verdes na cidade de Rio Claro – SP. 2012. Disponível em: https://repositorio.unesp.br/handle/11449/91870. Acesso em: 31 jul. 2025.

GONÇALVES, D. N. et al. Transformers for mapping burned areas in Brazilian Pantanal and Amazon with PlanetScope imagery. International Journal of Applied Earth Observation and Geoinformation, v. 116, p. 103151, fev. 2023. https://doi.org/10.1016/j.jag.2022.103151

IBGE. Estimativas da população para o ano de 2021. Disponível em: https://www.ibge.gov.br. Acesso em: 10 nov. 2023.

LIMA, G. S.; AMORIM, D. A. A qualidade ambiental urbana e as áreas arborizadas como indicadores. São Paulo: Humanitas, 2006.

MA, X. et al. Segmentação semântica em imagens de sensoriamento remoto com redes neurais profundas. Remote Sensing Letters, v. 10, p. 123–134, 2019. https://doi.org/10.1080/2150704X.2018.1538053

MARTINS, D. L.; PURIFICAÇÃO, A. F.; CARDOSO-LEITE, E. Análise de um fragmento florestal em Sorocaba/SP para criação de uma área protegida. Revista Científica Anap Brasil, v. 16, n. 39, p. 1–14, 2023. https://doi.org/10.17271/19843240163920234584

NOLETO, R. S. et al. Reconhecimento de espécies florestais madeireiras utilizando redes neurais convolucionais. Revista Brasileira de Criminalística, v. 14, n. 2, p. 15–20, 2 jul. 2025. https://doi.org/10.15260/rbc.v14i2.870

NUCCI, J. C. Qualidade ambiental e adensamento urbano. São Paulo: Humanitas, 2001.

PAES, B. R. S.; GARCIA, R. A. Dinâmica temporal da vegetação urbana com aplicação de NDVI no município de Belo Horizonte - Minas Gerais. Estudos Geográficos: Revista Eletrônica de Geografia, v. 20, n. 3, p. 387–409, 2023. https://doi.org/10.5016/estgeo.v20i3.16922

PINHEIRO, R. T.; RIBEIRO, N. G. R. Análise multitemporal da cobertura vegetal no plano diretor urbano de Palmas, Tocantins. Ciência Florestal, v. 32, n. 2, p. 1024–1046, 2022. https://doi.org/10.5902/1980509843524

ROLNIK, R. O que é cidade. 3. ed. São Paulo: Brasiliense, 1994.

SANTOS, M. O espaço do cidadão. 7. ed. São Paulo: Edusp, 2007.

SCHMIDHUBER, J. Deep learning no reconhecimento de padrões. Neural Networks, v. 61, p. 85–117, 2015. https://doi.org/10.1016/j.neunet.2014.09.003

SEMADUR. Ortofotos aéreas de Campo Grande, MS. Dados fornecidos pela Prefeitura Municipal de Campo Grande, 2024.

SILVA, E. S. Classificação de coberturas e espécies de árvores em ambientes urbanos tropicais utilizando redes neurais convolucionais e conceitos de conjuntos fechados e abertos: revisão bibliográfica. Pleiade, v. 18, n. 42, p. 57–65, jan./mar. 2024. https://doi.org/10.32915/pleiade.v18i42.968

SISGRAN. Sistema Municipal de Indicadores de Campo Grande – MS. 2023. Disponível em: https://sisgran.campogrande.ms.gov.br. Acesso em: 10 nov. 2023.

SOUZA, C. E.; MATIAS, Í. O.; ERTHAL JÚNIOR, M. Uso de geotecnologias para mapeamento e análise de áreas verdes urbanas no município de Campos dos Goytacazes, RJ, Brasil. Revista Vértices, v. 22, n. 3, p. 590–609, 2020. https://doi.org/10.19180/1809-2667.v22n32020p590-609

VIEIRA, C. H. S. D.; BIONDI, D. Análise da dinâmica da cobertura vegetal de Curitiba, PR (de 1986 a 2004), utilizando imagens Landsat TM. Revista Árvore, v. 32, n. 3, p. 479–487, 2008. https://doi.org/10.1590/S0100-67622008000300010

WANG, W. et al. InternImage: Exploring large-scale vision foundation models with deformable convolutions. In: IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023, Vancouver. Proceedings [...]. Vancouver: IEEE, 2023. p. 14408–14419. https://doi.org/10.1109/CVPR52729.2023.01313

Downloads

Published

2026-06-24

Issue

Vol. 27 (2026)

Section

Artigos

License

Copyright (c) 2026 Eveline Terra Bezerra, João Lucas Aparecido Rocha Paes, José Marcato Junior, Wesley Nunes Gonçalves, Lucas Yuri Dutra de Oliveira, Anette Eltner

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Autores que publicam nesta revista concordam com os seguintes termos: a) Autores mantém os direitos autorais e concedem à  revista o direito de primeira publicação, com o trabalho licenciado sob a Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional. b) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal), já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado. c) Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais.

How to Cite

BEZERRA, Eveline Terra; PAES, João Lucas Aparecido Rocha; MARCATO JUNIOR, José; GONÇALVES, Wesley Nunes; OLIVEIRA, Lucas Yuri Dutra de; ELTNER, Anette. URBAN TREE COVER MAPPING IN CAMPO GRANDE (MS) USING DEEP LEARNING AND REMOTE SENSING TECHNIQUES. Caminhos de Geografia, Uberlândia, v. 27, p. e2737, 2026. DOI: 10.14393/RCG2779144. Disponível em: https://seer.ufu.br/index.php/caminhosdegeografia/article/view/79144. Acesso em: 29 jun. 2026.