Explorando O Adensamento Urbano Com Deep Learning: Integrando Sensoriamento Remoto E Dados de Infraestrutura Elétrica

EasyChair Preprint 15635

Abstract

O crescimento urbano acelerado apresenta desafios para uma gestão eficiente das cidades, exigindo a implementação de princípios sustentáveis. Neste cenário, o setor elétrico enfrenta mudanças significativas com a introdução de novas tecnologias, com destaque para a Inteligência Artificial (IA) e o Aprendizado Profundo (Deep Learning - DL), que são especialmente aplicados ao sensoriamento remoto urbano. Este estudo investiga o crescimento urbano de um estado brasileiro usando segmentação semântica baseada em Redes Neurais Convolucionais (CNNs) em imagens de satélite. Duas arquiteturas CNN, LinkNet34 e DLinkNet34, foram treinadas com imagens RGB de satélites do Google Earth, abrangendo diversidade geográfica e ambiental. Ambos os modelos mostraram desempenho semelhante, com a LinkNet34 ligeiramente superior com acurácia de 0.8457. A análise da segmentação foi correlacionada com dados da infraestrutura elétrica da Base de Dados Geográfica da Distribuidora (BDGD), com o objetivo de oferecer insights para o desenvolvimento urbano sustentável.

Keyphrases: Adensamento urbano, Infraestrutura Elétrica, Redes Neurais Convolucionais, Segmentação Semântica, Sensoriamento Remoto

@booklet{EasyChair:15635,
  author    = {Álisson de Oliveira Alves and Luisa Christina de Souza and Luiz Eduardo Nunes Cho Luck and Raniere Rodrigues Melo de Lima and Carlos Augusto Teixeira de Moura and Wesley José dos Santos Marinho and Rafael de Medeiros Mariz Capuano and Bruno Cesar Pereira da Costa and Marina de Siqueira and Arthur Diniz Flor Torquato Fernandes and Jesaias Carvalho Pereira Silva and Pablo Javier Alsina},
  title     = {Exploring Urban Densification with Deep Learning: Integrating Remote Sensing and Electrical Infrastructure Data},
  howpublished = {EasyChair Preprint 15635},
  year      = {EasyChair, 2025}}