27/10/2020
Pesquisa da UEL tem o objetivo de auxiliar na definição de recortes espaciais e escalas analíticas das cidades, contribuindo com técnicas computacionais para a compreensão de qualidades urbanas, que podem influenciar o comportamento humano, assim como elementos sociais e econômicos.
Um projeto desenvolvido na Universidade Estadual de Londrina (UEL) analisa um novo procedimento de identificação da configuração e composição da paisagem urbana. O objetivo é auxiliar na definição de recortes espaciais e escalas analíticas das cidades, contribuindo com técnicas computacionais para a compreensão de qualidades urbanas, que podem influenciar o comportamento humano, bem como elementos sociais e econômicos.
Envolvendo pesquisadores do Centro de Tecnologia e Urbanismo (CTU) e do Centro de Ciências Exatas (CCE) da UEL, o projeto se baseia em imagens obtidas pelo Google Street View (GSV), um recurso da Google, multinacional de serviços online e software, que disponibiliza vistas panorâmicas e permite visualizar partes de algumas regiões do mundo.
A estudante de doutorado Ana Luiza Favarão Leão, do Programa de Pós-Graduação em Arquitetura e Urbanismo (PPU), explica que todos os elementos urbanos causam impacto nos habitantes de um determinado lugar. “Disposição de ruas, calçamento e loteamentos, assim como a quantidade de árvores e lixeiras. Esses elementos podem até parecer pouco significativos, como a cor de um edifício”. Ela ressalta que esses dados podem ser coletados pelo GSV, mas não estão sistematizados na ferramenta.
A pesquisa utilizou banco de imagens de três bairros de Londrina, no Norte do Estado, propondo um modelo de deep learning (aprendizado profundo) para classificação dos elementos constitutivos da paisagem urbana. O deep learning é um ramo avançado de aprendizado de máquina, que usa algoritmos para possibilitar melhor interpretação de dados coletados.
O estudante de mestrado Hugo Queiroz Abonizio, do Programa de Pós-graduação em Ciência da Computação, esclarece que a classificação proposta é inovadora nesse modelo, pois tem foco na distinção dos bairros. “Ao detectar texturas, formas, cores e outros dados, o modelo fornece o que precisamos para proceder com a classificação dos elementos”, pontua.
O modelo proposto obteve ótimo desempenho, atribuindo corretamente quase 90% das amostras das regiões analisadas. A amostragem constituiu imagens coletadas de 2017 pontos de vias públicas, captadas a cada 100 metros: 554 no Centro, 368 no bairro Gleba Palhano, e 1095 locais de cinco conjuntos habitacionais da Zona Norte da cidade. Os pesquisadores observaram elementos como a quantidade de carros e estacionamentos nas vias e a intensidade de sinalização e vegetação.
Segundo a pesquisa, na zona Norte de Londrina a verticalização não dificulta a visão do horizonte, como acontece na região central da cidade. No Centro, além da verticalização mais expressiva, foi observada maior variedade de construções e a tendência de os estabelecimentos comerciais estarem muito próximos uns dos outros. Já a Gleba Palhano, um bairro novo e em desenvolvimento, desafiou o modelo, pois apresenta elementos mistos, da região central e da zona Norte.
DEEP LEARNING – A aprendizagem da máquina (learning machine) é a primeira linha da Inteligência Artificial. “Nós explicamos à máquina como aprender. O que ela deve observar e correlacionar, próximo de como um ser humano aprenderia”, destaca o professor Sylvio Barbon Júnior, do Departamento de Computação da UEL. Segundo ele, apesar de complexo e de demandar muitas imagens, o modelo funciona para qualquer coisa, desde que “se ensine” a identificar o objeto, seja um animal, uma edificação, um terreno vazio, uma placa, uma árvore, um muro, entre outros.
O professor destaca ainda a contribuição da computação nas diversas áreas do conhecimento como ferramenta para aprimorar o trabalho dos pesquisadores. “A Inteligência Artificial permite uma abstração mais prática e exata. Traduz e automatiza o conhecimento”, afirma. Nesse caso, a grande quantidade de dados permite uma modelagem interpretativa mais eficiente.
Para a professora Milena Kanashiro, do Departamento de Arquitetura e Urbanismo, o projeto segue uma linha de automatização do conhecimento e representa um avanço, na medida em que abrange também a temporalidade dos espaços estudados. “O estudo possibilita melhor identificação de áreas homogêneas e delimitação de áreas”, ressalta.
Neste ponto, quem pode contribuir muito é a Computação. Antes de mais nada, uma das grandes vantagens de usar o GSV é que os pesquisadores não precisam se deslocar pelos pontos que precisam coletar dados, o que representa economia de recursos. Mas há muito além: Hugo Queiroz Abonizio é mestrando do Programa de Pós-graduação em Ciência da Computação, do CCE, e é orientado pelo professor Sylvio Barbon Júnior (Departamento de Computação).
Embora em sua dissertação, em fase de conclusão, esteja trabalhando com linguagem natural (textos), ele e o orientador atuam na pesquisa da Ana, desenvolvendo um modelo de deep learning para classificação dos elementos constitutivos da paisagem urbana em três bairros de Londrina: Centro Histórico, Cinco Conjuntos (Zona Norte) e Gleba Palhano (Zona Oeste).
DEEP LEARNING – O deep learning (aprendizado profundo) é um ramo avançado de aprendizado de máquina que utiliza algoritmos que possibilitam melhor interpretação de dados coletados. Segundo o professor Sylvio, a aprendizagem da máquina (learning machine) é a primeira linha da Inteligência Artificial.
“Nós explicamos à máquina como aprender. O que ela deve observar e correlacionar, aproximando-se de como um ser humano aprenderia”. O modelo demanda muitas imagens e exemplos, mas isso o GSV pode prover fartamente. O modelo é complexo, mas funciona para qualquer coisa, desde que “se ensine” a identificar a coisa – seja um gato, um cachorro, um prédio, um terreno vazio, uma placa, uma árvore, um muro. Qualquer coisa.
Hugo explica que a classificação proposta já foi usada em outros contextos, mas é uma novidade neste modelo porque foca na diferenciação dos bairros. Ao detectar texturas, formas, cores e outros dados, o modelo fornece ao pesquisador o que ele precisa para proceder a classificação. Para o professor Sylvio, é importante lembrar ainda que a pesquisa atua num cenário não controlado – as imagens coletadas foram feitas em diferentes condições de luminosidade, temperatura e qualidade técnica, e não foram feitas pelos pesquisadores.
O professor destaca a contribuição da Ciência da Computação em outras áreas como ferramenta que otimiza o trabalho de outros pesquisadores. “A Inteligência Artificial permite uma abstração mais prática e exata, traduz e automatiza o conhecimento”, afirma. No caso desta pesquisa, a grande quantidade de dados permite uma modelagem interpretativa mais “agressiva”, ou seja, muito mais eficiente.
A professora Milena Kanashiro tem a mesma perspectiva. Para ela, o projeto segue uma linha de automatização do conhecimento e representa um avanço na medida que abrange também a temporalidade dos espaços estudados. Para ela, este estudo possibilita uma melhor identificação de áreas homogêneas e delimitação de áreas (bairros, por exemplo). Outro ponto positivo destacado por ela é a união de programas de diferentes centros de estudos da UEL (Arquitetura e Urbanismo e Ciências Exatas), o que só promove a Universidade.
PUBLICAÇÃO – O modelo foi testado e os resultados foram muito positivos, atribuindo corretamente quase 90% das amostras dos respectivos bairros estudados. Os quatro pesquisadores publicaram uma parte do estudo na Revista de Morfologia Urbana (junho/2020), em artigo intitulado “Identificação de composições de paisagem urbana: uma abordagem de deep learning” [http://revistademorfologiaurbana.org/index.php/rmu].
A revista é uma publicação científica da PNUM (Portuguese-Language Network of Urban Morphology), ou Rede Lusófona de Morfologia Urbana, que por sua vez integra o Seminário Internacional de Forma Urbana, que reúne pesquisadores e professores de todo o mundo desde 1994.
A amostragem constituiu em imagens coletadas de pontos a cada 100 metros nas vias públicas, num total de 2017 – 554 no Centro, 368 na Gleba Palhano e 1095 na Zona Norte. Foram observados elementos como a quantidade de carros, estacionamentos nas vias, intensidade de sinalização e vegetação. Tais elementos se referem, num outro nível, às chamadas “metaqualidades urbanas”, como a vitalidade e a caminhabilidade.
Ana Luiza destaca algumas diferenças entre as regiões. Na Zona Norte, por exemplo, ela diz poeticamente que “existe muito céu”, ou seja, a verticalização não dificulta a visão do horizonte, como acontece no Centro. Lá, além da verticalização mais expressiva, foi observada maior variedade de construções e a tendência de os estabelecimentos comerciais estarem “grudados” um no outro. Já a Gleba Palhano, conta Ana, desafiou o modelo. Bairro mais novo e em desenvolvimento, ele apresenta elementos ora de Centro, ora de bairro.
Os autores veem os resultados como encorajadores e afirmam no estudo que “em um âmbito teórico avança-se cientificamente na utilização de técnicas computacionais para o entendimento objetivo de qualidades urbanas, que podem influenciar o comportamento humano, bem como elementos sociais e econômicos”.
Fonte: ANP
Deixe um Comentário