Deep learning nos estudos urbanos: uma revisão crítica e sistemática

A infraestrutura urbana pode mudar em ritmo mais rápido do que o ciclo decenal de coleta censitária. Ruas, calçadas, iluminação, arborização e outros componentes do entorno dos domicílios se transformam entre um Censo e outro, criando um desafio para a produção de informações urbanísticas atualizadas.

A pesquisa desenvolve um método de levantamento de componentes urbanísticos e geração de indicadores sintéticos a partir de imagens de rua, geoprocessamento e modelos de deep learning pré-treinados. Seu foco é produzir informações complementares sobre elementos do entorno urbano observados pela Pesquisa Urbanística do Entorno dos Domicílios — PUED, sem substituir a validação estatística nem o trabalho de campo.

Ao longo da pesquisa, a proposta inicial baseada no Google Street View foi ajustada para o uso de imagens da Mapillary e de modelos pré-treinados combinados. Esse deslocamento preservou o objetivo central do estudo e tornou o piloto mais viável em termos operacionais, especialmente para processamento, reexecução e comparação dos resultados.

O estudo construiu o Índice Global de Características Infraestruturais — IGCI, que sintetiza componentes avaliados nas imagens. O índice tem valor como métrica auditável, mas sua leitura depende da cobertura das imagens, da memória de cálculo, dos componentes efetivamente avaliados e do registro dos casos em que a imagem não permitiu inferência segura.

A contribuição do subprojeto está menos em substituir instrumentos censitários e mais em demonstrar como fontes visuais e modelos computacionais podem ampliar a observação pública da infraestrutura urbana entre ciclos de coleta, desde que acompanhados de validação, memória de cálculo e controle explícito da cobertura imagética.

Atualizado em: 24 de junho de 2026. Status: pesquisa em andamento.