MAPEAMENTO INTELIGENTE: SEGMENTAÇÃO DA COBERTURA ARBÓREA EM CAMPO GRANDE (MS) POR MEIO DE REDES NEURAIS PROFUNDAS

Autores/as

DOI:

https://doi.org/10.14393/RCG2779144

Palabras clave:

Cobertura arbórea, Segmentação semântica, Planejamento urbano, Bacias hidrográficas, Sensoriamento remoto

Resumen

Este trabalho tem como objetivo mapear e analisar a cobertura arbórea nas bacias hidrográficas urbanas de Campo Grande (MS), utilizando técnicas de sensoriamento remoto e aprendizado profundo. Foram empregadas ortofotos de alta resolução de 2023 e o modelo de segmentação semântica InternImage, treinado com dados anotados da Bacia do Prosa, para classificar áreas permeáveis e não permeáveis. Os resultados obtidos mostram variações significativas na densidade de vegetação entre as onze bacias analisadas, com destaque para a Bacia do Bandeira, com 20% de cobertura, e a do Anhanduí, com apenas 5,59%. O modelo alcançou acurácia de 93,34%, IoU de 78,42% e F-score de 87,9%, demonstrando bom desempenho na tarefa. A análise permitiu identificar áreas prioritárias para intervenção e forneceu subsídios para o planejamento urbano sustentável. A pesquisa reforça a importância das áreas verdes para a gestão das águas pluviais e a resiliência climática, contribuindo para a qualidade ambiental urbana e para a formulação de políticas públicas de arborização.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

  • Eveline Terra Bezerra, Universidade Federal de 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, Universidade Federal de 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, Universidade Federal de 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, Universidade Federal de 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, Universidade Federal de 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, Technische Universität Dresden

    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.

Referencias

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

Descargas

Publicado

2026-06-24

Número

Vol. 27 (2026)

Sección

Artigos

Licencia

Derechos de autor 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

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Los autores que publican en esta Revista aceptan los siguientes términos: a) Autores conserva los derechos de autor y otorga a la revista el derecho de primera publicación, con el trabajo bajo licencia Creative Commons Attribution-NonCommercial NoDerivs 4.0 International. b) Se permite y anima a los autores a publicar y distribuya su trabajo en línea (por ejemplo, en repositorios institucionales o en su sitio web personal), ya que esto puede generar cambios productivos, así como incrementar el impacto y cita de trabajo publicado. c) Por el hecho de aparecer en este diario de acceso público, los artículos son de libre uso, con sus propias atribuciones, en aplicaciones educativos y no comerciales.

Cómo citar

BEZERRA, Eveline Terra; PAES, João Lucas Aparecido Rocha; MARCATO JUNIOR, José; GONÇALVES, Wesley Nunes; OLIVEIRA, Lucas Yuri Dutra de; ELTNER, Anette. MAPEAMENTO INTELIGENTE: SEGMENTAÇÃO DA COBERTURA ARBÓREA EM CAMPO GRANDE (MS) POR MEIO DE REDES NEURAIS PROFUNDAS. 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.