Detecção de favelas no Rio de Janeiro por meio de imagens de satélite
DOI:
https://doi.org/10.58951/dataset.2024.019Palavras-chave:
Favelas, Direitos humanos, ODS 11, Imagens de satélite, Dados abertos, Aprendizado de máquina, Aprendizado supervisionadoResumo
Segundo a ONU-Habitat, mais de um bilhão de pessoas vivem em assentamentos informais no mundo, das quais 200 milhões estão localizadas na África e outras 100 milhões na América Latina, principalmente em países como Brasil, México, Colômbia, Peru e Argentina. Na cidade do Rio de Janeiro, há 1.074 favelas, onde vivem 22% da população, tornando-se o município brasileiro com o maior percentual de pessoas vivendo em favelas. A garantia dos direitos humanos na forma de acesso a serviços essenciais das populações vivendo nesses assentamentos, por meio de programas e políticas públicas, depende de dados oportunos e confiáveis. No entanto, apesar de passarem décadas estabelecendo seus sistemas estatísticos nacionais, geralmente baseados em coleta de dados diretamente com indivíduos, na maioria dos países, os dados produzidos de forma tradicional não retratam de forma oportuna a dinâmica dessas populações. Como alternativa, usamos imagens de satélite gratuitas em combinação com aprendizado de máquina e aprendizado profundo para identificar a expansão ou retração de favelas na cidade do Rio de Janeiro. Utilizando as métrica IoU e F1, foram comparados oito modelos de classificação, dentre os quais dois se destacaram por seu desempenho: GradientBoost e XGBoost.
Referências
ABS - Australian Bureau of Statistics. (2006). 2006 census: Census through the ages. Accessed on September 17, 2024. Available at: <https://www.abs.gov.au/websitedbs/D3310114.nsf/4a256353001af3ed4b2562bb00121564/eadaffffb171cab6ca257161000a78d7>.
Alrasheedi, K. G., Dewan, A., & El-Mowafy, A. (2023). Using local knowledge and remote sensing in the identification of informal settlements in Riyadh City, Saudi Arabia. Remote Sensing, 15(15), 3895. https://doi.org/10.3390/rs15153895 DOI: https://doi.org/10.3390/rs15153895
Assarkhaniki, Z., Sabri, S., & Rajabifard, A. (2021). Using open data to detect the structure and pattern of informal settlements: an outset to support inclusive SDGs’ achievement. Big Earth Data, 5(4), 497–526. https://doi.org/10.1080/20964471.2021.1948178 DOI: https://doi.org/10.1080/20964471.2021.1948178
Cinnamon, J., & Noth, T. (2023). Spatiotemporal development of informal settlements in Cape Town, 2000 to 2020: An open data approach. Habitat International, 133, 102753. https://doi.org/10.1016/j.habitatint.2023.102753 DOI: https://doi.org/10.1016/j.habitatint.2023.102753
Duque, J., Patino, J., & Betancourt, A. (2017). Exploring the potential of machine learning for automatic slum identification from VHR imagery. Remote Sensing, 9(9), 895. https://doi.org/10.3390/rs9090895 DOI: https://doi.org/10.3390/rs9090895
Graesser, J., Cheriyadat, A., Vatsavai, R. R., Chandola, V., Long, J., & Bright, E. (2012). Image based characterization of formal and informal neighborhoods in an urban landscape. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(4), 1164–1176. https://doi.org/10.1109/jstars.2012.2190383 DOI: https://doi.org/10.1109/JSTARS.2012.2190383
Gram-Hansen, B. J., Helber, P., Varatharajan, I., Azam, F., Coca-Castro, A., Kopackova, V., & Bilinski, P. (2019). Mapping Informal Settlements in Developing Countries using Machine Learning and Low Resolution Multi-spectral Data. Proceedings of the 2019 AAAI/ACM Conference on AI, Ethics, and Society, 361–368. https://doi.org/10.1145/3306618.3314253 DOI: https://doi.org/10.1145/3306618.3314253
Guitarrara, P. (n.d.). Cidade do rio de janeiro: Mapa, Bandeira, População. Brasil Escola. https://brasilescola.uol.com.br/brasil/cidade-do-rio-de-janeiro.htm
Hub, UN Regional Hub for Big Data in Brazil. (2024). Consultation on the Use of Big Data in Latin America and the Caribbean. https://hub.ibge.gov.br/consulta.htm.
MacFeely S. (2019). The Big (data) Bang: Opportunities and Challenges for Compiling SDG Indicators. United Nations Conference on Trade and Development. DOI: 10.1111/1758-5899.12595. DOI: https://doi.org/10.1111/1758-5899.12595
Oliveira, L. T., Kuffer, M., Schwarz, N., & Pedrassoli, J. C. (2023). Capturing deprived areas using unsupervised machine learning and open data: a case study in São Paulo, Brazil. European Journal of Remote Sensing, 56(1). https://doi.org/10.1080/22797254.2023.2214690 DOI: https://doi.org/10.1080/22797254.2023.2214690
Persello, C., & Kuffer, M. (2020). Towards uncovering socio-economic inequalities using VHR satellite images and deep learning. IGARSS 2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium, 3747–3750. https://doi.org/10.1109/IGARSS39084.2020.9324399 DOI: https://doi.org/10.1109/IGARSS39084.2020.9324399
Prabhu, R., & Alagu Raja, R. A. (2018). Urban Slum Detection Approaches from High-Resolution Satellite Data Using Statistical and Spectral Based Approaches. Journal of the Indian Society of Remote Sensing, 46(12), 2033–2044. https://doi.org/10.1007/s12524-018-0869-9 DOI: https://doi.org/10.1007/s12524-018-0869-9
QGIS. (2024). Accessed on September 17, 2024. Available at: <https://qgis.org/project/overview/>.
RGBDPS, Research Group on Big Data for Public Statistics. (2024). Accessed on September 17, 2024. Available at: <https://dgp.cnpq.br/dgp/espelhogrupo/787479>.
Silva, A. D. da, Oliveira, B. M. M. de, Peixoto, Í. G., & Souza, L. B. S. de. (2023). Overview of the use of big data for official statistics in Latin America and the Caribbean. Statistical Journal of the IAOS, 39(1), 171–177. https://doi.org/10.3233/SJI-220092 DOI: https://doi.org/10.3233/SJI-220092
Stark, T., Wurm, M., Zhu, X. X., & Taubenbock, H. (2020). Satellite-Based Mapping of Urban Poverty With Transfer-Learned Slum Morphologies. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5251–5263. https://doi.org/10.1109/JSTARS.2020.3018862
Stark, T., Wurm, M., Zhu, X. X., Taubenbock, H. (2020). Satellite-based mapping of urban poverty with transfer-learned slum morphologies. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5251–5263. https://doi.org/10.1109/jstars.2020.3018862 DOI: https://doi.org/10.1109/JSTARS.2020.3018862
UN, United Nations. (2017). Principles and Recommendations for Population and Housing Censuses. Accessed on September 17, 2024. Available at: <https://unstats.un.org/unsd/demographic-social/Standards-and-Methods/files/Principles_and_Recommendations/Population-and-Housing-Censuses/Series_M67rev3-E.pdf>.
UN-Habitat. 2021. Relatório Anual Brasil 2020. Accessed on September 17, 2024. Available at: <https://brasil.un.org/pt-br/137253-onu-habitat-brasil-re%C3%BAne-desafios-e-conquistas-de-2020-em-relat%C3%B3rio-anual>.
UN-Habitat. 2023. Relatório Anual 2022 do ONU-Habitat. Accessed on September 17, 2024. Available at: <https://relatorio-anual-2022.netlify.app/ >.
Wang, J., Kuffer, M., & Pfeffer, K. (2019). The role of spatial heterogeneity in detecting urban slums. Computers, Environment and Urban Systems, 73, 95–107. https://doi.org/10.1016/j.compenvurbsys.2018.08.007
Wang, J., Kuffer, M., & Pfeffer, K. (2019). The role of spatial heterogeneity in detecting urban slums. Computers, Environment and Urban Systems, 73, 95–107. https://doi.org/10.1016/j.compenvurbsys.2018.08.007 DOI: https://doi.org/10.1016/j.compenvurbsys.2018.08.007
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Hanna Diniz Cunha, Andrea Diniz da Silva , Bernardo Braga Martins, Bruno Sá Guedes, Ian Monteiro Nunes, Marcelo Rodrigues de Albuquerque Maranhão, Miguel do Nascimento Faria Conforto
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Esta revista publica seus artigos em Acesso Aberto sob licença Creative Commons (CC BY 4.0).
Você é livre para:
Compartilhar — copie e redistribua o material em qualquer meio ou formato para qualquer finalidade, inclusive comercial.
Adaptar – remixar, transformar e desenvolver o material para qualquer finalidade, até mesmo comercial.
O licenciante não pode revogar essas liberdades desde que você siga os termos da licença.
Nos seguintes termos:
Atribuição — Você deve dar o devido crédito, fornecer um link para a licença e indicar se foram feitas alterações. Você pode fazê-lo de qualquer maneira razoável, mas não de forma que sugira que o licenciante endossa você ou seu uso.
Sem restrições adicionais — Você não pode aplicar termos legais ou medidas tecnológicas que restrinjam legalmente outras pessoas de fazerem qualquer coisa que a licença permita.
Avisos:
Você não precisa cumprir a licença para elementos do material de domínio público ou onde seu uso for permitido por uma exceção ou limitação aplicável.
Nenhuma garantia é dada. A licença pode não conceder todas as permissões necessárias para o uso pretendido. Por exemplo, outros direitos, como publicidade, privacidade ou direitos morais, podem limitar a forma como você utiliza o material.
