Nova Método Estima Altura de Edifícios Usando Dados de Satélite

Medir com precisão a altura dos edifícios é importante para o planejamento das cidades, administrar a infraestrutura e estudar o meio ambiente. Esse artigo fala sobre um novo método que usa imagens de satélite do Sentinel-1 e do Sentinel-2 para estimar as alturas dos edifícios nas cidades.

#Por que as alturas dos edifícios importam

Mais da metade da população mundial vive hoje em cidades, e até 2050, espera-se que 70% das pessoas morem em áreas urbanas. As cidades geram mais de 80% da economia global, mas também consomem grandes quantidades de energia e produzem emissões significativas de carbono. Para gerenciar o crescimento urbano e seus efeitos ambientais, é essencial monitorar como as cidades mudam, e saber as alturas dos edifícios desempenha um papel fundamental na compreensão dessas mudanças.

Quando sabemos a altura dos edifícios, conseguimos entender melhor questões como o calor nas cidades, quantas pessoas vivem em uma área, o uso de energia e o clima geral das áreas urbanas. A tecnologia de Observação da Terra, que envolve o uso de satélites para coletar dados, tem se tornado uma ferramenta útil para mapear cidades em larga escala.

#A lacuna nos métodos atuais

Existem várias técnicas para extrair contornos 2D dos edifícios a partir de dados de satélite. No entanto, a maioria desses métodos só nos dá imagens planas e bidimensionais sem informações de altura. Recentemente, foram feitos esforços para estimar alturas de edifícios usando imagens de satélite.

Por exemplo, alguns pesquisadores usaram um método chamado Random Forest para estimar as alturas dos edifícios em grandes áreas, mas seus resultados tinham apenas uma resolução de 1 quilômetro. Outros usaram diferentes técnicas, como Máquinas de Vetores de Suporte, para obter melhores estimativas, mas ainda assim tinham limitações.

O maior desafio tem sido fazer estimativas de altura precisas a partir de imagens de satélite, garantindo a precisão dos dados.

#O Novo Método: MBHR-Net

O novo método apresentado aqui se chama Rede de Regressão de Altura de Edifícios Multimodal ou MBHR-Net. Este modelo usa dados do Radar de Abertura Sintética (SAR) do Sentinel-1 e das imagens multiespectrais do Sentinel-2 ao longo do tempo para estimar as alturas dos edifícios com uma resolução de 10 metros.

A ideia é simples: tratamos a tarefa de estimar a altura dos edifícios como um problema de regressão pixel a pixel. Neste método, se um pixel estiver definido como zero, significa que não há edifício ali, enquanto qualquer valor acima de um corresponde à altura de um edifício.

#Como os dados são coletados

Os dados deste estudo vêm de imagens de satélite de dez grandes cidades na Holanda, incluindo Amsterdam e Rotterdam. Os pesquisadores usaram dados gratuitos dos satélites Sentinel, que foram projetados para coletar informações úteis sobre a Terra.

Para criar os dados de referência das alturas dos edifícios, eles usaram um banco de dados 3D que contém informações de registros do governo local sobre as plantas baixas e alturas dos edifícios. Esses dados de referência são essenciais para comparar e validar as previsões do modelo.

#A Estrutura do Modelo

O MBHR-Net tem duas partes principais: uma analisa dados multiespectrais do Sentinel-2, e a outra processa dados de radar do Sentinel-1. Ambas as ramificações da rede trabalham juntas para capturar diferentes características das imagens de satélite.

O modelo é construído sobre uma estrutura popular chamada U-Net, que é comumente usada em tarefas de segmentação de imagens. Essa arquitetura consiste em um codificador que comprime informações das imagens de entrada e um decodificador que ajuda a fazer previsões sobre as alturas dos edifícios.

Neste modelo, o processo começa com dois codificadores separados que aprendem diferentes características de ambas as fontes de satélite. Após processar a captura de dados, o modelo combina características usando uma técnica chamada concatenação elemento a elemento. Esse processo ajuda a manter detalhes importantes, levando a melhores previsões.

#Treinando o Modelo

Para treinar o modelo, os pesquisadores usaram uma técnica chamada aumento de dados. Isso significa que eles tratam as 12 imagens coletadas ao longo de um ano como amostras de treinamento adicionais, aumentando o tamanho do conjunto de dados.

Durante o treinamento, o modelo aprende a minimizar as diferenças entre suas alturas previstas e as alturas de referência reais. Ele foi treinado por 100 ciclos usando um tamanho de lote de 4. O processo de aprendizagem foi ajustado ao longo do tempo para melhorar a precisão, permitindo que o modelo reconhecesse melhor os padrões nos dados.

#Avaliando o Desempenho do Modelo

Após o treinamento, as previsões do modelo foram avaliadas em relação às alturas de referência. As principais métricas usadas para medir a precisão foram Erro Quadrático Médio (RMSE), Interseção sobre União (IoU) e R-quadrado.

Os resultados mostraram que o MBHR-Net alcançou um RMSE de 3,73 metros, o que é significativo, pois sugere que o erro médio está próximo da altura de um andar em um edifício. A pontuação do IoU foi 0,95, significando que o modelo identificou com precisão as áreas onde os edifícios estavam localizados. O R-quadrado ficou em 0,61, indicando que, embora o modelo tenha feito um bom trabalho explicando as variações nas alturas dos edifícios, ainda há espaço para melhorias.

#Resultados Visuais e Análise

A eficácia do modelo também pode ser vista em gráficos de dispersão que comparam as alturas previstas com as alturas de referência reais. Esses gráficos mostraram uma correlação decente, mas havia uma tendência notável de subestimar algumas alturas de edifícios.

Para a avaliação visual, os pesquisadores forneceram vários exemplos de alturas previstas ao lado das imagens de satélite originais. Na maioria dos casos, as previsões corresponderam de perto às alturas reais, demonstrando uma boa correspondência geral entre as saídas do modelo e os dados do mundo real.

#Direções Futuras

Em conclusão, o uso do modelo MBHR-Net mostra grande promessa para prever com precisão as alturas dos edifícios usando dados de satélite disponíveis gratuitamente. Os resultados indicam um potencial significativo para o planejamento urbano e avaliações ambientais.

Avançando, os pesquisadores pretendem expandir seu conjunto de dados além da Holanda para incluir regiões e tipos de edifícios diversos. Eles também planejam integrar tipos adicionais de dados, o que poderia permitir uma abordagem ainda mais sofisticada para entender os ambientes urbanos.

À medida que as cidades continuam a crescer e mudar, ter dados precisos sobre as alturas dos edifícios se tornará cada vez mais importante, ajudando as sociedades a tomar decisões informadas para um desenvolvimento sustentável.