Modelos de IA de alta precisão classificam mapas topográficos mais rapidamente do que os métodos tradicionais.

A Indonésia, uma nação com mais de 17.000 ilhas que se estendem por 1,9 milhão de quilômetros quadrados, enfrenta um desafio crítico na criação de mapas detalhados para apoiar seus objetivos de desenvolvimento.

Com apenas 31% do território nacional coberto por mapas topográficos de grande escala (escala 1:5000), os métodos tradicionais, como a estereografia manual e os levantamentos de campo, são muito lentos para atender às necessidades urgentes de planejamento urbano, gestão de desastres e conservação ambiental.

Um estudo inovador publicado em Sensoriamento Remoto Em 2025, surge uma solução: uma estrutura de aprendizado profundo que automatiza a classificação da cobertura da terra usando imagens de satélite de altíssima resolução.

O desafio de mapear a Indonésia Topografia

A extensão e a complexidade da Indonésia tornam o mapeamento uma tarefa monumental. A Agência de Informação Geoespacial (BIG), responsável pelo mapeamento nacional, produz atualmente 13.000 quilômetros quadrados de mapas topográficos por ano.

Nesse ritmo, mapear todo o país levaria mais de um século. Mesmo excluindo as áreas florestais — que cobrem quase metade da Indonésia —, completar o restante do território ainda exigiria 60 anos.

Esse progresso lento entra em conflito com prioridades nacionais como a Política de Mapa Único, introduzida em 2016 para padronizar mapas entre setores e evitar conflitos no uso da terra. Ampliar essa política para mapas na escala 1:5000 é essencial, mas está muito atrasado.

Mapas topográficos São representações detalhadas de características naturais e artificiais na superfície da Terra, incluindo elevações (colinas, vales), corpos d'água, estradas, edifícios e vegetação.

Elas servem como ferramentas fundamentais para o planejamento de infraestrutura, resposta a desastres e monitoramento ambiental. Para a Indonésia, a criação desses mapas na escala 1:5000 (onde 1 cm no mapa equivale a 50 metros no terreno) é crucial para a precisão em projetos como construção de estradas ou modelagem de inundações.

Dados de cobertura do solo, Um subconjunto de mapas topográficos refere-se ao material físico na superfície da Terra, como florestas, áreas urbanas ou água. Ao contrário de uso da terra (que descreve como os humanos utilizam a terra, por exemplo, zonas residenciais ou industriais), o foco da terra está nas características observáveis.

Mapas precisos de cobertura do solo ajudam governos a rastrear o desmatamento, monitorar a expansão urbana ou avaliar a produtividade agrícola. Tradicionalmente, analistas rotulam manualmente esses elementos pixel por pixel usando fotos aéreas ou imagens de satélite, um processo demorado e propenso a erros humanos.

Por exemplo, identificar estradas ou pequenos edifícios em áreas urbanas densas pode levar dias de trabalho meticuloso. O estudo de 2025 aborda esse gargalo substituindo o trabalho manual por inteligência artificial, especificamente aprendizado profundo, para automatizar a classificação da cobertura do solo.

Análise de imagens de satélite orientada por IA 

A pesquisa teve como foco a cidade de Mataram, uma pequena, porém diversificada área urbana na ilha de Lombok, como estudo de caso. A equipe utilizou Imagens de satélite das Plêiades de 2015, que incluía dados pancromáticos de alta resolução (0,5 metros) e multiespectrais (2 metros).

Imagens pancromáticas capturam detalhes espaciais finos em tons de cinza, enquanto imagens multiespectrais fornecem informações de cor e infravermelho em faixas de comprimento de onda específicas (por exemplo, vermelho, verde, azul, infravermelho próximo).

Para combinar essas vantagens, os pesquisadores aplicaram uma técnica chamada pan-sharpening, que mescla os dados em tons de cinza de alta resolução com imagens coloridas de resolução mais baixa. Esse processo produziu imagens nítidas e detalhadas com resolução de 0,5 metros, ideais para detectar pequenos detalhes, como estradas ou edifícios individuais.

O pan-sharpening é vital porque preserva as ricas informações espectrais dos dados multiespectrais, ao mesmo tempo que aprimora a nitidez espacial, garantindo que as cores se alinhem com precisão às características físicas.

Em seguida, a equipe extraiu informações adicionais das imagens para melhorar a precisão da classificação. Eles calcularam o Índice de Vegetação por Diferença Normalizada (NDVI), uma medida da saúde das plantas derivada da reflexão da luz vermelha e do infravermelho próximo (NIR).

A vegetação saudável reflete mais luz infravermelha próxima e absorve mais luz vermelha devido à atividade da clorofila. A fórmula $\text{NDVI}=(\text{NIR}-\text{Vermelho})/(\text{NIR}+\text{Vermelho})$ Produz valores entre -1 e 1, onde valores mais altos indicam vegetação mais densa e saudável.

O NDVI é uma ferramenta valiosa para distinguir florestas, terras agrícolas e espaços verdes urbanos. Por exemplo, neste estudo, o NDVI ajudou a diferenciar entre plantações exuberantes e solo exposto.

Análise de textura Foi outro passo fundamental. Utilizando um método estatístico chamado Matriz de Coocorrência de Níveis de Cinza (GLCM, na sigla em inglês), os pesquisadores quantificaram padrões nas imagens, como a rugosidade dos campos agrícolas em contraste com a suavidade das estradas pavimentadas.

A matriz de covariância de níveis de cinza (GLCM) funciona analisando a frequência com que pares de pixels com valores e relações espaciais específicos (por exemplo, adjacentes horizontalmente) ocorrem em uma imagem. A partir dessa matriz, métricas como homogeneidade (uniformidade dos valores dos pixels), contraste (variações de intensidade local), e entropia (aleatoriedade da distribuição de pixels) são calculados.

Essas métricas de textura ajudaram o modelo de IA a diferenciar entre tipos de cobertura do solo com aparência semelhante — por exemplo, distinguindo entre estradas asfaltadas e manchas de solo escuro.

Para simplificar os dados, a equipe aplicou Análise de Componentes Principais (PCA), A Análise de Componentes Principais (PCA) é uma técnica que identifica os padrões mais significativos em um conjunto de dados. Ela reduz a redundância transformando variáveis correlacionadas (por exemplo, múltiplas bandas de textura) em um conjunto menor de componentes não correlacionados.

Neste estudo, a PCA condensou cinco bandas de textura em dois componentes principais, retendo 95% da informação original. Isso simplificou a entrada para o modelo de aprendizado profundo, melhorando tanto a precisão quanto a eficiência computacional.

Aprendizado profundo U-Net para cobertura da terra Topografia

O cerne do estudo foi um modelo de aprendizado profundo baseado na arquitetura U-Net, um tipo de rede neural convolucional (CNN) amplamente utilizada em tarefas de segmentação de imagens.

Batizada em referência ao seu formato em U, a U-Net consiste em duas partes principais: um codificador que analisa a imagem para extrair características hierárquicas (por exemplo, bordas, texturas) e um decodificador que reconstrói a imagem com rótulos pixel a pixel.

O codificador utiliza camadas convolucionais e pooling para reduzir a resolução da imagem, capturando padrões amplos, enquanto o decodificador aumenta a resolução dos dados para restaurar a resolução espacial. Conexões de salto entre as camadas do codificador e do decodificador preservam detalhes finos, permitindo a detecção precisa de limites — um recurso crucial para mapear estradas estreitas ou edifícios com formatos irregulares.

O modelo utilizou uma arquitetura ResNet34 — uma rede pré-treinada reconhecida por sua profundidade e eficiência. A ResNet34 pertence à família de redes residuais, que introduz "conexões de atalho" para contornar camadas, mitigando o problema do desaparecimento do gradiente (onde as redes profundas têm dificuldade em aprender devido à diminuição das atualizações durante o treinamento).

Ao aproveitar a capacidade do ResNet34 de reconhecer padrões complexos do ImageNet (um enorme banco de dados de imagens), o modelo exigiu menos dados de treinamento e menos tempo para se adaptar às imagens de satélite.

O treinamento do modelo exigiu 1.440 mosaicos de imagens, cada um com 512×512 pixels, abrangendo seis classes de cobertura do solo: edifícios, estradas, terras agrícolas, solo exposto, plantações e corpos d'água.

O conjunto de dados apresentava desequilíbrios inerentes; estradas e corpos d'água representavam apenas 3,71 TP3T e 4,21 TP3T das amostras, respectivamente, enquanto edifícios e terras agrícolas correspondiam a mais de 251 TP3T cada. Apesar desse desafio, o modelo foi treinado ao longo de 200 épocas — um equilíbrio entre precisão e custo computacional — com um tamanho de lote de 2 devido a limitações de memória.

Um época refere-se a uma passagem completa dos dados de treinamento pelo modelo, enquanto tamanho do lote Determina quantas amostras são processadas antes de atualizar os parâmetros do modelo. Tamanhos de lote menores reduzem o uso de memória, mas podem tornar o treinamento mais lento.

Aprimorando mapas com processamento morfológico

Até mesmo os melhores modelos de IA produzem erros, como classificar incorretamente pixels isolados ou criar bordas irregulares ao redor de detalhes. Para solucionar isso, os pesquisadores aplicaram o processamento morfológico, uma técnica que suaviza imperfeições usando operações como erosão e dilatação.

A erosão remove finas camadas de pixels dos limites dos objetos, eliminando pequenos trechos classificados incorretamente, enquanto a dilatação adiciona pixels para expandir os limites dos objetos, preenchendo lacunas em elementos lineares, como estradas.

Essas operações dependem de um elemento estruturante (uma pequena matriz) que desliza sobre a imagem para modificar os valores dos pixels. O tamanho ideal do kernel para essas operações (5×5 pixels) foi determinado por meio de análise de semivariância, um método geoestatístico que quantifica padrões espaciais nas imagens.

A semivariância mede o quanto os valores dos pixels diferem em distâncias variáveis, ajudando a identificar a escala na qual as características da textura (por exemplo, agrupamentos de edifícios) são mais distintas.

Inteligência Artificial Aumenta a Velocidade e a Precisão do Mapeamento

O modelo alcançou uma precisão inicial de 84% (pontuação kappa = 0,79), que subiu para 86% (kappa = 0,81) após o pós-processamento. O pontuação kappa O coeficiente kappa de Cohen mede a concordância entre as classificações previstas e as reais, ajustando-se para o acaso.

Uma pontuação de 0,81 indica concordância “quase perfeita”, superando a faixa de 0,61–0,80 considerada “substancial”. Corpos d'água e plantações foram classificados com precisão quase perfeita (97% e 96%, respectivamente), enquanto estradas — desafiadas por seu formato fino e linear e pelas sombras — atingiram 85%.

Edifícios e terrenos agrícolas também apresentaram bom desempenho, com pontuações F1 de 88% e 83%, respectivamente. A pontuação F1, uma média harmônica de precisão e recall, equilibra falsos positivos e falsos negativos, tornando-a ideal para avaliar conjuntos de dados desbalanceados.

Os ganhos de eficiência foram ainda mais impressionantes. O método tradicional de estereoplotagem, que envolve a rotulagem manual de elementos em imagens aéreas 3D, leva nove dias por folha de mapa (5,29 km²) para edifícios e vegetação.

A abordagem baseada em IA reduziu esse tempo para 43 minutos por folha — uma melhoria de 250 vezes. O treinamento do modelo exigiu 17 horas inicialmente, mas, uma vez treinado, ele conseguiu classificar vastas áreas com mínima intervenção humana. A expansão desse sistema poderia permitir que a Indonésia mapeasse 9.000 km² anualmente, reduzindo o tempo previsto para a conclusão do projeto de mais de um século para apenas 15 anos.

Mapeamento por IA impulsiona a sustentabilidade global

As implicações vão muito além da Indonésia. A classificação automatizada da cobertura do solo apoia iniciativas globais como os Objetivos de Desenvolvimento Sustentável (ODS) da ONU. Por exemplo, o monitoramento do desmatamento (ODS 15) ou da expansão urbana (ODS 11) torna-se mais rápido e preciso.

Em regiões propensas a desastres, como áreas sujeitas a inundações, mapas atualizados podem identificar comunidades vulneráveis e planejar rotas de evacuação.

Os agricultores também se beneficiam; dados precisos sobre a cobertura do solo permitem a agricultura de precisão, otimizando o uso da água e a produtividade das culturas por meio do monitoramento da saúde do solo e do estresse da vegetação através do NDVI.

No entanto, ainda existem desafios. O desempenho do modelo em classes sub-representadas, como estradas, destaca a necessidade de dados de treinamento balanceados. Trabalhos futuros poderiam incorporar a aprendizagem por transferência, uma técnica na qual um modelo pré-treinado em uma tarefa (por exemplo, reconhecimento geral de imagens) é ajustado para uma aplicação específica (por exemplo, detecção de estradas em imagens de satélite).

Isso reduz a necessidade de conjuntos de dados rotulados massivos, que são dispendiosos de criar. Testar arquiteturas avançadas como a U-Net3+, que aprimora a agregação de recursos em diferentes escalas, ou modelos baseados em transformadores (que se destacam na captura de dependências de longo alcance em imagens) poderia melhorar ainda mais a precisão.

No entanto, a integração de dados Lidar (Detecção e Alcance por Luz) ou de radar também pode melhorar os resultados, especialmente em regiões nubladas onde os satélites ópticos têm dificuldades.

Conclusão: Uma Nova Era para a Ciência Geoespacial

Este estudo marca um ponto de virada no mapeamento topográfico. Ao automatizar a classificação da cobertura do solo, os países podem produzir mapas precisos de forma mais rápida e barata do que nunca. Para a Indonésia, essa tecnologia não é apenas uma conveniência — é uma necessidade para gerenciar sua rápida urbanização, proteger suas florestas e se preparar para desastres relacionados ao clima.

Com os avanços da inteligência artificial e da tecnologia de satélite, a visão de mapeamento em tempo real e de alta resolução está ao nosso alcance, capacitando governos e comunidades a construir um futuro mais sustentável.

Referência: Hakim, YF; Tsai, F. Extração de cobertura terrestre baseada em aprendizado profundo a partir de imagens de satélite de altíssima resolução para auxiliar a produção de mapas topográficos em grande escala. Sens. Remoto 2025, 17, 473. https://doi.org/10.3390/rs17030473