Um projeto desenvolvido na Universidade Estadual de Londrina (UEL) analisa um novo procedimento de identificação da configuração e composição da paisagem urbana. O objetivo é auxiliar na definição de recortes espaciais e escalas analíticas das cidades, contribuindo com técnicas computacionais para a compreensão de qualidades urbanas, que podem influenciar o comportamento humano, bem como elementos sociais e econômicos.

Envolvendo pesquisadores do Centro de Tecnologia e Urbanismo (CTU) e do Centro de Ciências Exatas (CCE) da UEL, o projeto se baseia em imagens obtidas pelo Google Street View (GSV), um recurso da Google, multinacional de serviços online e software, que disponibiliza vistas panorâmicas e permite visualizar partes de algumas regiões do mundo.

A estudante de Doutorado Ana Luiza Favarão Leão, do Programa de Pós-Graduação em Arquitetura e Urbanismo (PPU), explica que todos os elementos urbanos causam impacto nos habitantes de um determinado lugar. “Disposição de ruas, calçamento e loteamentos, assim como a quantidade de árvores e lixeiras. Esses elementos podem até parecer pouco significativos, como a cor de um edifício”, afirma, ressaltando que “esses dados podem ser coletados pelo GSV, mas não estão sistematizados na ferramenta”.

A pesquisa utilizou banco de imagens de três bairros da cidade de Londrina, no norte central do Paraná, propondo um modelo de deep learning (aprendizado profundo) para classificação dos elementos constitutivos da paisagem urbana. O deep learning é um ramo avançado de aprendizado de máquina, que usa algoritmos para possibilitar melhor interpretação de dados coletados.

O estudante de Mestrado Hugo Queiroz Abonizio, do Programa de Pós-graduação em Ciência da Computação (PPGCC), esclarece que a classificação proposta é inovadora nesse modelo, pois tem foco na distinção dos bairros. “Ao detectar texturas, formas, cores e outros dados, o modelo fornece o que precisamos para proceder com a classificação dos elementos”, pontua.

O modelo proposto obteve ótimo desempenho, atribuindo corretamente quase 90% das amostras das regiões analisadas. A amostragem constituiu imagens coletadas de 2017 pontos de vias públicas, captadas a cada 100 metros: 554 no Centro; 368 no bairro Gleba Palhano; e 1095 locais de cinco conjuntos habitacionais da Zona Norte da cidade. Os pesquisadores observaram elementos como a quantidade de carros e estacionamentos nas vias e a intensidade de sinalização e vegetação.

Segundo a pesquisa, na Zona Norte de Londrina, a verticalização não dificulta a visão do horizonte, como acontece na região central da cidade. No Centro, além da verticalização mais expressiva, foi observada maior variedade de construções e a tendência de os estabelecimentos comerciais estarem muito próximos uns dos outros. Já a Gleba Palhano, um bairro novo e em desenvolvimento, desafiou o modelo, pois apresenta elementos mistos, da região central e da zona norte.

DEEP LEARNING – A aprendizagem da máquina (learning machine) é a primeira linha da Inteligência Artificial. “Nós explicamos à máquina como aprender. O que ela deve observar e correlacionar, próximo de como um ser humano aprenderia”, destaca o professor Sylvio Barbon Júnior, do Departamento de Computação (DC) da UEL. Segundo ele, apesar de complexo e de demandar muitas imagens, o modelo funciona para qualquer coisa, desde que “se ensine” a identificar o objeto, seja um animal, uma edificação, um terreno vazio, uma placa, uma árvore, um muro, entre outros.

O professor destaca ainda a contribuição da Computação nas diversas áreas do conhecimento, como ferramenta para aprimorar o trabalho dos pesquisadores. “A Inteligência Artificial permite uma abstração mais prática e exata. Traduz e automatiza o conhecimento”, afirma. Nesse caso, a grande quantidade de dados permite uma modelagem interpretativa mais eficiente.

Para a professora Milena Kanashiro, do Departamento de Arquitetura e Urbanismo (DAU), o projeto segue uma linha de automatização do conhecimento e representa um avanço, na medida em que abrange também a temporalidade dos espaços estudados. “O estudo possibilita melhor identificação de áreas homogêneas e delimitação de áreas”, ressalta.