Deep Learning–Based Semantic GIS for Heritage-Sensitive Green Space Planning

Resumo Técnico: SIG Semântico Baseado em Aprendizado Profundo para o Planejamento de Espaços Verdes Sensíveis ao Patrimônio

Definição do Problema
Os ambientes urbanos históricos enfrentam um dilema crítico de planejamento: a necessidade de enfrentar desafios ambientais, como as mudanças climáticas, a densificação urbana e o estresse térmico, enquanto simultaneamente se adere a rigorosas regulamentações de conservação do patrimônio cultural. As abordagens de planejamento convencionais frequentemente tratam a preservação do patrimônio e a melhoria ambiental como domínios separados, levando a conflitos espaciais e decisões de uso do solo ineficientes. Em áreas ricas em patrimônio, particularmente em regiões áridas como o Cemitério do Deserto Mameluco, no Cairo, a falta de espaços verdes exacerba o desconforto térmico, embora a sensibilidade espacial dos monumentos históricos limite a implementação de infraestruturas verdes convencionais. As pesquisas existentes geralmente abordam a documentação do patrimônio ou a avaliação ambiental de forma isolada, carecendo de um framework integrado que aproveite a inteligência artificial para equilibrar essas prioridades espaciais conflitantes.

Metodologia
O estudo propõe um framework integrado combinando análise de imagem baseada em aprendizado profundo (deep learning) com Sistemas de Informação Geográfica (SIG) semânticos para apoiar o planejamento de espaços verdes sensíveis ao patrimônio. A metodologia segue um fluxo de trabalho de quatro estágios:

1. Aquisição e Preparação de Dados: Imagens de satélite de alta resolução (Sentinel-2/Google Earth), mapas históricos, inventários de patrimônio e dados ambientais (índices de vegetação, proxies térmicos) foram coletados e georreferenciados para um sistema de coordenadas unificado.
2. Extração de Características por Aprendizado Profundo: Um modelo de segmentação semântica baseado em Redes Neurais Convolucionais (CNN) (ex: U-Net ou DeepLabV3+) foi treinado para classificar automaticamente o tecido urbano em quatro categorias: estruturas de patrimônio, áreas construídas, terrenos abertos/vazios e vegetação. O modelo foi validado utilizando métricas como Precisão, Recall e Interseção sobre União (IoU).
3. Modelagem de SIG Semântico: As características extraídas foram integradas em um ambiente de SIG semântico utilizando uma abordagem baseada em ontologia. Esta estrutura definiu classes hierárquicas e relações semânticas (ex: proximidade, zonas de amortecimento) entre ativos de patrimônio, espaços verdes e redes de acessibilidade. Crucialmente, zonas de amortecimento (buffer zones) foram geradas ao redor de monumentos protegidos para atuar como restrições espaciais, impedindo intervenções em áreas de alta sensibilidade.
4. Análise de Adequabilidade Espacial: Uma análise de decisão multicritério foi conduzida dentro do ambiente SIG. Quatro indicadores ponderados foram utilizados para gerar um mapa de adequabilidade para intervenções verdes:
   • Sensibilidade do Patrimônio (peso de 35%): Distância dos monumentos.
   • Disponibilidade de Terra (peso de 25%): Presença de terras vazias ou subutilizadas.
   • Necessidade Ambiental (peso de 25%): Áreas com baixa vegetação e alta exposição térmica.
   • Acessibilidade (peso de 15%): Proximidade de rotas de pedestres.

Aplicação do Estudo de Caso
O framework foi aplicado à área circundante à Mesquita e Khanqah de al-Nasir Faraj ibn Barquq, no Cemitério do Deserto Mameluco, no Cairo. Este sítio apresenta uma arquitetia funerária densa inserida em um tecido urbano em evolução, com vegetação limitada e alta exposição solar.

Principais Resultados

• Desempenho de Classificação: O modelo de aprendizado profundo alcançou uma precisão de classificação geral com uma Interseção sobre União (IoU) de aproximadamente 0,80. O desempenho específico por classe incluiu pontuações altas para áreas construídas (IoU 0,84) e vegetação (IoU 0,82), com as estruturas de patrimônio atingindo um IoU de 0,78.
• Análise Espacial: A análise identificou que a vegetação é esparsa e fragmentada, enquanto partes significativas da área de estudo consistem em terras vazias ou subutilizadas.
• Mapeamento de Adequabilidade: A análise multicritério categorizou a área de estudo (84.000 m²) em três classes de adequabilidade:
  • Alta Adequabilidade (22%): Principalmente lotes vazios localizados fora dos buffers de proteção do patrimônio, identificados como ideais para intervenções verdes.
  • Adequabilidade Moderada (39%): Zonas de transição que permitem intervenções de pequena escala ou reversíveis.
  • Baixa Adequabilidade (39%): Áreas dentro ou imediatamente adjacentes aos buffers de patrimônio onde as intervenções devem ser evitadas ou altamente controladas.
• Intervenções Propostas: Com base no mapa de adequabilidade, o estudo propôs estratégias responsivas ao contexto, incluindo corredores de pedestres sombreados, jardins de bolso em lotes vazios, faixas de plantio lineares e paisagismo de amortecimento, todos projetados para respeitar a integridade visual e espacial do sítio histórico.

Significância e Contribuições
O artigo afirma que a principal contribuição deste trabalho é o desenvolvimento de uma abordagem metodológica unificada que une a extração de características espaciais impulsionada por IA e a modelagem de SIG semântico. Ao integrar estas tecnologias, o framework permite:

• Mapeamento Automatizado e Consistente: Reduzindo o tempo e o esforço necessários para o mapeamento manual de tecidos urbanos históricos complexos, ao mesmo tempo em que melhora a consistência da classificação.
• Raciocínio Semântico: Indo além do simples mapeamento geográfico para um raciocínio espacial inteligente que compreende as relações entre ativos de patrimônio e necessidades ambientais.
• Suporte à Decisão Baseado em Evidências: Fornecendo uma ferramenta escalável e replicável para planejadores identificarem oportunidades espaciais para infraestrutura verde que sejam tanto ambientalmente responsivas quanto culturalmente sensíveis.

O estudo conclui que esta abordagem integrada oferece um caminho prático para cidades históricas equilibrarem a preservação cultural com a sustentabilidade ambiental, afastando-se de tratar a conservação e o planejamento ambiental como domínios separados e conflitantes. Os autores observam limitações relativas à dependência da resolução da imagem de entrada e à subjetividade dos critérios de ponderação, sugerindo que trabalhos futuros poderiam incorporar dados de maior resolução, informações espaciais 3D e métodos de planejamento participativo.