Influência da amostragem na classificação de uso e cobertura da terra em ambientes urbanos complexos com aprendizado profundo e imagens RPA:

um estudo de caso do Conjunto Paulo VI (Belo Horizonte, MG)

Résumé

O presente trabalho avaliou a eficiência do aprendizado profundo para a classificação de uso e cobertura da terra utilizando imagens de altíssima resolução espacial do bairro Conjunto Paulo VI, em Belo Horizonte (MG). A partir de um ortomosaico gerado por aeronave remotamente pilotada (RPA), realizou-se a vetorização manual de 48% da área do bairro, definindo-se 15 classes, sendo 70% para treinamento e 30% para verificação da acurácia. Foram testados cenários com diferentes proporções amostrais, de 10% a 70% dos dados de treinamento. A classificação empregou segmentação semântica com a arquitetura U-Net (backbone ResNet34) no ArcGIS Pro, e o desempenho foi avaliado por matrizes de confusão e pelas métricas Overall Accuracy, Kappa, F1-Score e IoU. Os modelos com menor taxa amostral tiveram menor desempenho na identificação de classes menos presentes, enquanto em modelos treinados com maior quantidade amostral ocorreu sobreajuste, prejudicando a acurácia. O modelo treinado com 50% das amostras teve o melhor desempenho em métricas gerais e por classe, considerando o esforço humano de vetorização e a eficiência das épocas de treinamento. Este resultado indica ser possível otimizar a rotulagem de amostras em ambientes urbanos, demonstrando que um volume intermediário de dados pode garantir elevada acurácia, evitando redundância e sobreajuste.