Aplicação de Deep Learning para Detecção de Ocupações Irregulares em Áreas de Cerrado em Brasília-DF

Uma Abordagem de Baixo Custo com QGIS e Google Earth

Resumen

O monitoramento de ocupações irregulares em áreas de cerrado é essencial devido aos impactos ambientais e urbanísticos associados, especialmente na região do Distrito Federal (DF). Este estudo tem por objetivo avaliar a aplicação de técnicas de Deep Learning para a detecção automática de construções em imagens do Google Earth, utilizando o plugin MapFlow no QGIS. Foram analisadas imagens de 2020, 2022 e 2024 de uma área próxima ao acampamento Santarém, em Samambaia-DF, comparando a eficácia dos modelos "Building" e "Aerial". Os resultados indicaram que o modelo "Aerial" obteve maior sensibilidade na detecção das construções em comparação ao modelo "Building", apesar de uma ligeira taxa de falsos positivos. Além disso, observou-se uma significativa expansão das ocupações entre os anos analisados. A utilização de Deep Learning demonstrou ser uma alternativa promissora ao monitoramento tradicional, oferecendo maior precisão e eficiência no reconhecimento de padrões em imagens com resolução limitada. Assim, o estudo evidencia o potencial dessas ferramentas para auxiliar na gestão territorial e no combate às ocupações irregulares, propondo uma abordagem de baixo custo e acessível para o monitoramento ambiental.
Palavras-chave: ocupações irregulares, Deep Learning, cerrado, Google Earth, MapFlow.