Monitorando o Crescimento Urbano no Cairo Usando Imagens de Satélite
Um estudo das mudanças urbanas no Cairo através de dados de satélite de 2013 a 2021.
― 4 min ler
Índice
Este trabalho é sobre como a gente pode usar a tecnologia pra olhar as mudanças nas cidades ao longo do tempo. Especificamente, a gente foca em usar imagens de satélite e programas de computador especiais pra analisar áreas urbanas. Estamos de olho em Cairo, Egito, que é uma das cidades mais populosas do mundo.
Por Que É Importante
As áreas urbanas estão sempre mudando. Essas mudanças podem afetar o meio ambiente e a economia. Entender como as cidades se desenvolvem é importante pra planejar as cidades. Usando imagens de satélite e técnicas de aprendizado de máquina, a gente consegue acompanhar melhor essas mudanças.
A Tecnologia Usada
A gente usa um programa chamado Google Earth Engine (GEE) pra nossa análise. O GEE permite que a gente olhe e analise grandes quantidades de dados de satélite rapidinho. Ele junta Imagens de Satélites diferentes, assim conseguimos ver como as áreas mudam ao longo do tempo.
O Processo
Escolhendo um Local: A gente decidiu estudar Cairo por causa do seu tamanho e crescimento. Tem cerca de 18 milhões de pessoas vivendo na cidade e até mais nas áreas ao redor.
Coletando Imagens: A gente juntou imagens de satélite de um programa chamado Landsat-8. Esse satélite tira fotos da Terra. Pegamos imagens de julho de 2013 e julho de 2021 pra ver quais mudanças ocorreram nesse tempo.
Treinando o Programa de Computador: Usamos uma técnica chamada Aprendizado de Máquina Supervisionado. Isso significa que primeiro ensinamos o programa como são as áreas urbanas e não urbanas mostrando imagens rotuladas.
Analisando as Mudanças: Depois do programa aprender, a gente alimentou ele com todas as imagens de satélite de 2013 a 2021. O programa então previu se as áreas mudaram de não-urbanas pra urbanas ou vice-versa.
Resultados
Conclusões Gerais
Na nossa análise, descobrimos que realmente houve mudanças nas áreas urbanas. A gente classificou essas mudanças em quatro possíveis resultados:
- Expansão Urbana: Algumas áreas que eram não urbanas se tornaram urbanas. Essas áreas apareceram vermelhas nos nossos mapas de detecção de mudanças.
- Permanecendo a Mesma Coisa: Algumas áreas urbanas continuaram urbanas, aparecendo como roxas.
- Não-urbano para Urbano: Áreas que antes eram urbanas mudaram para não urbanas, aparecendo azuis.
- Sem Mudança: Áreas que continuaram não urbanas não mostraram mudança, coloridas de verde.
Exemplos Específicos
O Rio Nilo: Primeiro, olhamos a área ao redor do Rio Nilo. As imagens de satélite mostraram que não houve mudanças significativas entre 2013 e 2021. Essa área permaneceu não urbana, confirmando que não mudou.
A Cidade de Asim: Depois, focamos na cidade de Asim. Comparando as imagens dos dois anos, vimos que Asim se expandiu. A área que antes era não urbana ficou vermelha, indicando crescimento urbano.
A Cidade de Tanta: Também examinamos Tanta, outra área urbana. Aqui, as imagens de satélite mostraram que não houve mudanças significativas entre 2013 e 2021. A área ficou consistentemente roxa no nosso mapa de detecção de mudanças, provando que não mudou.
Mudanças em Tanta: Por fim, aproximamos de uma parte específica de Tanta que apareceu azul, indicando uma mudança de urbano para não urbano. Essa análise confirmou que alguns lugares dentro da cidade mudaram seu status.
Conclusão
Esse estudo mostra uma forma simples de monitorar mudanças urbanas ao longo do tempo. A gente conseguiu acompanhar mudanças em Cairo analisando imagens de satélite usando técnicas avançadas. Cada caso que estudamos confirmou a eficácia da nossa abordagem.
O uso do GEE deixou a gente gerenciar e analisar grandes conjuntos de dados de forma eficiente. Esse método pode ajudar planejadores urbanos e governos a tomar decisões informadas com base em dados precisos. Nosso trabalho em andamento vai expandir a análise pra outras cidades e áreas no mundo todo, ajudando a melhorar nossa compreensão do crescimento e mudança urbana.
Título: Multitemporal analysis in Google Earth Engine for detecting urban changes using optical data and machine learning algorithms
Resumo: The aim of this work is to perform a multitemporal analysis using the Google Earth Engine (GEE) platform for the detection of changes in urban areas using optical data and specific machine learning (ML) algorithms. As a case study, Cairo City has been identified, in Egypt country, as one of the five most populous megacities of the last decade in the world. Classification and change detection analysis of the region of interest (ROI) have been carried out from July 2013 to July 2021. Results demonstrate the validity of the proposed method in identifying changed and unchanged urban areas over the selected period. Furthermore, this work aims to evidence the growing significance of GEE as an efficient cloud-based solution for managing large quantities of satellite data.
Autores: Mariapia Rita Iandolo, Francesca Razzano, Chiara Zarro, G. S. Yogesh, Silvia Liberata Ullo
Última atualização: 2023-08-22 00:00:00
Idioma: English
Fonte URL: https://arxiv.org/abs/2308.11468
Fonte PDF: https://arxiv.org/pdf/2308.11468
Licença: https://creativecommons.org/licenses/by-nc-sa/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao arxiv pela utilização da sua interoperabilidade de acesso aberto.