Resumen de Identificação de Composições da Paisagem Urbana: Uma abordagem de Deep Learning

Ana Luiza Favarão Leão, Hugo Queiroz Abonizio, Sylvio Barbon Júnior, Milena Kanashiro

• English

  The environment’s composition can have an impact on human behavior, however, this relationship remains uncertain until the cities' qualities and landscape can be analyzed empirically. Images obtained through Google Street View (GSV) enable a large volume of data for automated assessment of environmental characteristics. Deep learning techniques have advanced in the identification of compositional elements of the built environment. In this sense, this study seeks to investigate and test a procedure for identifying the configuration and composition of the urban landscape, classifying images obtained from GSV through a deep learning approach. From an image dataset of three different neighborhoods in Londrina-PR, a deep learning model for image classification was proposed. The model had a good performance, correctly attributing 87.6% of the samples to the corresponding neighborhoods in the case study. Compositional characteristics were empirically identified, considering the distribution of the samples in the obtained search space. The proposed model contributes to the definition of spatial units as well as in the measurement of environmental qualities, optimizing data collection, expanding sample sizes, and providing objectivity to results. This approach contributes to the expansion of city's analytical scales, identifying compositional and relational patterns in the understanding of elements influent in human behavior.

• português

  A composição do ambiente pode exercer impactos sobre comportamentos, no entanto, esta relação permanece incerta até que qualidades e a paisagem das cidades possam ser analisadas empiricamente. Imagens obtidas através do Google Street View (GSV) possibilitam um grande volume de dados para avaliação automatizada das características ambientais. Técnicas de deep learning tem avançado na identificação de elementos compositivos do ambiente construído. Neste sentido, este estudo busca investigar e testar um procedimento de identificação da configuração e composição da paisagem urbana, por meio da classificação de imagens obtidas pelo GSV. A partir de um banco de imagens de três bairros de Londrina-PR, um modelo de deep learning para classificação de imagens foi proposto. O modelo obteve um bom desempenho, atribuindo corretamente 87,6% das amostras dos respectivos bairros do estudo de caso. Características compositivas foram empiricamente identificadas, considerando a distribuição das amostras no espaço de busca obtido. O modelo proposto contribui na definição de recortes espaciais bem como na mensuração de qualidades ambientais, otimizando coletas de dados, ampliando amostras e conferindo objetividade aos resultados. Esta abordagem contribui na expansão das escalas analíticas da cidade, identificando padrões compositivos e relacionais para o entendimento de elementos influentes no comportamento humano.