Mapping Historic Urban Footprints in France: Balancing Quality, Scalability and AI Techniques

Este estudo apresenta um pipeline de aprendizado profundo escalável baseado em uma abordagem U-Net de dupla passagem para extrair o primeiro conjunto de dados nacional de pegada urbana da França (1925-1950) a partir de mapas históricos Scan Histo, superando desafios de ruído e complexidade estilística para alcançar uma precisão global de 73% e liberar os dados e códigos resultantes para pesquisas futuras.

O essencial

Imagine que você tem um álbum de fotos antigas da França, tiradas entre 1925 e 1950. Essas fotos não são digitais; são mapas de papel desenhados à mão, com letras, linhas de contorno, texturas de campos e, claro, as cidades. O problema é que, para estudar como as cidades cresceram ao longo do tempo, precisamos transformar esses mapas de papel em dados digitais que um computador possa entender.

Fazer isso manualmente seria como tentar desenhar cada tijolo de cada casa de toda a França, o que levaria séculos. É aqui que entra este estudo: os autores criaram um "robô detetive" inteligente (uma Inteligência Artificial) capaz de olhar para esses mapas antigos e dizer: "Isso aqui é uma cidade, isso ali é apenas uma estrada ou uma letra".

Aqui está a explicação do processo, usando analogias simples:

1. O Desafio: A "Salada de Ingredientes"

Os mapas antigos são complicados. Eles têm muita "bagunça":

• Letras e nomes de cidades: O robô pode achar que o nome "Paris" é uma cidade.
• Linhas de contorno: As linhas que mostram montanhas ou campos podem parecer paredes de casas.
• Manchas de tinta: O papel envelheceu, a tinta desbotou ou ficou manchada.

Se você der apenas um mapa para um robô comum, ele vai ficar confuso, como uma criança tentando separar legos misturados com blocos de madeira.

2. A Solução: O Método de "Dois Passos" (O Treinamento em Duas Fases)

Os autores não usaram apenas um modelo de IA. Eles criaram um processo de dois passos, como se fosse um aluno aprendendo a dirigir:

• Passo 1: O Aprendizado Básico (O "Rascunho")
  Primeiro, eles ensinaram a IA com um conjunto pequeno de mapas. A IA fez um "rascunho" de onde estavam as cidades.

  • O que aconteceu? A IA acertou as grandes cidades, mas confundiu muito: ela achou que estradas e nomes escritos eram prédios.
  • A lição: Os pesquisadores olharam para os erros, viram onde a IA estava "alucinando" e criaram um novo conjunto de dados focado exatamente nesses problemas.

• Passo 2: O Refinamento (O "Ajuste Fino")
  Agora, em vez de olhar para o mapa colorido original, a IA olhou para o rascunho preto e branco que ela mesma fez no passo 1.

  • A mágica: Ao olhar apenas para o desenho simples (sem as cores e letras do mapa original), a IA pôde focar apenas na forma das cidades. Ela conseguiu "limpar" a sujeira, removendo as estradas e os textos que ela havia confundido antes. Foi como tirar os óculos escuros e olhar para o desenho com clareza.

3. O Resultado: Um Mapa Digital de Toda a França

Com esse método, eles processaram 941 mapas gigantes cobrindo toda a França metropolitana.

• Precisão: O resultado final acertou cerca de 73% do tempo. Para quem trabalha com mapas antigos, isso é um sucesso enorme!
• O que eles conseguiram: Criaram o primeiro banco de dados digital e gratuito que mostra exatamente onde estavam as cidades na França antes da era dos satélites (antes de 1970).

4. Por que isso é importante? (A Analogia da "Máquina do Tempo")

Antes disso, os cientistas sabiam como as cidades eram em 1970 (graças a fotos de satélite) e como eram em 1800 (mapas muito antigos e raros). Mas havia um buraco no tempo entre 1925 e 1950.

• A Analogia: Imagine que você tem um filme de uma cidade crescendo, mas faltam 20 anos do meio do filme. Você não sabe se a cidade cresceu rápido ou devagar, ou se houve uma explosão de construções após a Segunda Guerra Mundial.
• A Contribuição: Este estudo preenche esse buraco. Agora, podemos ver a "máquina do tempo" funcionando. Podemos comparar como Paris ou Marselha eram antes da guerra e como ficaram depois, entendendo melhor o crescimento urbano e o uso do solo.

Resumo em uma frase

Os autores ensinaram uma Inteligência Artificial a "limpar" mapas antigos e confusos da França, transformando papel manchado em um mapa digital preciso que nos permite ver exatamente como as cidades francesas eram no início do século XX, preenchendo uma lacuna histórica que antes era impossível de analisar em grande escala.

E o melhor de tudo? Eles abriram a porta: o código, os dados e o mapa final estão disponíveis gratuitamente para qualquer pessoa usar, como se fosse um "kit de construção" para futuros pesquisadores.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Mapping Historic Urban Footprints in France: Balancing Quality, Scalability and AI Techniques", apresentado em português:

1. Problema e Contexto

A análise quantitativa da expansão urbana histórica na França, especificamente antes da década de 1970, é severamente limitada pela ausência de dados digitais de "pegada urbana" (urban footprints) em escala nacional. Enquanto a era de satélites (Landsat, SPOT) fornece dados sistemáticos a partir dos anos 70, o período anterior (século XX) carece de cobertura digitalizada.

• Desafio Principal: Os mapas históricos disponíveis (série Scan Histo, 1925-1950) são documentos escaneados complexos. Eles apresentam heterogeneidade radiométrica, degradação de papel, variações de estilo entre diferentes produtores e uma densidade de elementos não urbanos (texto, linhas de contorno, hachuras, estradas) que confundem algoritmos tradicionais de classificação e segmentação.
• Limitação de Métodos Anteriores: Abordagens manuais são inviáveis em escala nacional, e métodos baseados em limiares ou redes neurais convencionais (como U-Net padrão) falham ao lidar com a complexidade estilística e o ruído desses mapas antigos.

2. Metodologia

O estudo propõe um pipeline de aprendizado profundo escalável baseado em uma arquitetura U-Net modificada, operando em duas fases distintas para lidar com a complexidade dos mapas históricos.

• Dados de Entrada: Utilização da coleção Scan Histo do IGN (Instituto Nacional de Informação Geográfica e Florestal da França), cobrindo a França metropolitana (excluindo departamentos ultramarinos e Córsega). Os dados são imagens raster RGB de alta resolução (5m, 25x25 km por azulejo), totalizando 941 cenas.
• Abordagem de Dupla Passagem (Dual-Pass U-Net):
  1. Primeira Passagem (Predição Inicial): Um modelo U-Net é treinado inicialmente com um conjunto de dados menor (58 pares imagem/máscara) para gerar um mapa preliminar. Esta etapa identifica áreas de confusão (onde o modelo erra, como texto ou estradas).
  2. Refinamento do Conjunto de Dados: Com base nos erros da primeira passagem, um novo conjunto de dados é criado com amostragem direcionada das zonas problemáticas, aumentando o conjunto para 312 pares.
  3. Segunda Passagem (Refinamento): O modelo é re-treinado com o conjunto de dados refinado. Crucialmente, nesta fase, a entrada não é mais o mapa RGB original, mas sim a máscara binária gerada pela primeira passagem. Isso reduz drasticamente a heterogeneidade de entrada, permitindo que o modelo foque na estrutura espacial e elimine ruídos residuais (texto, linhas de contorno).
• Infraestrutura: O processamento foi realizado em um cluster de computação de alto desempenho (Austral HPC, CRIANN) com GPUs NVIDIA A100.
• Ferramentas: Implementação em PyTorch, utilizando a função de perda Binary Cross Entropy (BCE) e otimizador Adam. O uso de IA Generativa (ChatGPT/DeepSeek) foi mencionado para auxiliar na depuração e organização do código.

3. Principais Contribuições

• Primeiro Dataset Nacional Aberto: Criação e disponibilização pública do primeiro conjunto de dados de pegada urbana em escala nacional para a França no período de transição do século XX (1925-1950).
• Pipeline de IA Inovador: Desenvolvimento de uma abordagem de "dupla passagem" que supera as limitações de ruído e estilo em mapas históricos, demonstrando que o uso de uma máscara intermediária como entrada para uma segunda iteração melhora a precisão.
• Reprodutibilidade Total: Liberação completa de todos os recursos para a comunidade científica, incluindo:
  • Código-fonte (GitHub).
  • Dados de treinamento e máscaras de verdade (Nakala).
  • O modelo pré-treinado.
  • O raster final de pegada urbana nacional.

4. Resultados

• Desempenho Geral: O modelo final alcançou uma precisão global (accuracy) de 73% em escala nacional.
• Comparação: O método superou significativamente abordagens tradicionais (K-means, classificação semi-automática por limiar) e outros modelos de deep learning (como DeepLabV3+), que obtiveram cerca de 69% de precisão e apresentaram mais erros em áreas rurais.
• Análise por Iteração:
  • A primeira iteração capturou bem as áreas urbanas densas (blocos pretos), mas confundiu texto e hachuras.
  • A segunda iteração (com a máscara binária como entrada) eliminou a maioria dos falsos positivos relacionados a texto e estradas, preservando a coerência espacial.
• Variações Regionais:
  • Zona de Alta Qualidade (Leste/Centro): Precisão de até 85-91% em áreas onde a qualidade do mapa e a homogeneidade eram melhores.
  • Zona de Baixa Qualidade (Oeste): Precisão entre 40-60%, devido a tons heterogêneos e maior densidade de ruídos residuais (texto e estradas).
• Limitações: Ainda existem dificuldades em áreas rurais com texturas lineares (agrícolas) e terrenos acidentados, onde linhas de contorno são frequentemente confundidas com estradas ou edifícios.

5. Significado e Aplicações Futuras

• Ponte Temporal: Este trabalho preenche a lacuna crítica de dados entre os mapas do século XIX e a era de satélites (pós-1970), permitindo a análise contínua da dinâmica de urbanização francesa.
• Aplicações Científicas: O dataset permite estudos sobre o crescimento urbano, impermeabilização do solo e impactos antropogênicos antes da Segunda Guerra Mundial e durante a reconstrução. Exemplos preliminares mostram a expansão de Paris, Marselha e Orléans.
• Escalabilidade: A metodologia é aplicável a outras séries de mapas históricos (como os mapas Etat-Major do século XIX ou mapas Cassini do século XVIII) e a outras regiões do mundo.
• Integração: Os dados podem ser reamostrados para resoluções compatíveis com bases globais (como o GHSL a 100m), facilitando comparações temporais de longo prazo.

Em resumo, o artigo demonstra que, através de uma arquitetura de aprendizado profundo adaptada e um processo iterativo de refinamento, é possível extrair automaticamente padrões urbanos complexos de mapas históricos escaneados, gerando um recurso fundamental para a geografia histórica e o planejamento urbano.