Revolucionando a Avaliação de Risco de Inundações com Visão Computacional

Inundações são uma das catástrofes naturais mais destrutivas, principalmente em regiões costeiras. Elas causam perdas financeiras extremas, como se viu nos Estados Unidos, onde as inundações representaram 40% das desastres naturais entre 1900 e 2015. O impacto financeiro dessas desastres pode ser impressionante, com mais de US$ 72 bilhões em pedidos de indenização registrados pelo Programa Nacional de Seguro contra Inundações de 1990 a 2022. Um fator crucial na estimativa de danos causados por inundações é a elevação do piso mais baixo (EPMB) dos prédios, que indica a altura do andar mais baixo de uma estrutura em relação ao solo.

As avaliações de danos por inundações dependem muito de dados precisos de EPMB. No entanto, muitos métodos tradicionais para determinar a EPMB são caros e trabalhosos. Esses métodos geralmente envolvem agrimensores usando equipamentos especializados, que podem ser lentos e custar uma grana. Já houve tentativas de usar Drones e outras tecnologias para melhorar a estimativa da EPMB, mas esses métodos ainda enfrentam desafios, como limitações regulatórias e altos custos.

#O Problema com os Métodos Tradicionais

Os métodos tradicionais para medir a EPMB envolvem medições diretas feitas por profissionais treinados usando equipamentos como teodolitos de estação total. Os resultados precisam ser verificados e enviados para as autoridades locais, o que aumenta o tempo e o custo do processo. Para piorar, os métodos atuais podem ter dificuldades em medir a EPMB de forma precisa em áreas mais amplas, como uma comunidade ou cidade inteira.

Drones surgiram como uma solução em potencial, mas também têm seus desafios. Capturar imagens com drones pode ser limitado por regulamentos e requer operadores treinados. Além disso, o custo de usar drones para áreas maiores pode rapidamente subir.

A tecnologia LiDAR também foi usada para medições em estudos anteriores. Embora seja eficaz, o uso do LiDAR geralmente é mais caro do que apenas capturar imagens. Portanto, há uma necessidade de uma solução rápida e acessível para estimar a EPMB em grandes áreas.

#Método de Estimação Baseado em Imagens

Em resposta às limitações dos métodos tradicionais, foi desenvolvida uma nova técnica que automatiza a estimativa da EPMB utilizando visão computacional em imagens de street view. Essa abordagem foca em extrair informações relevantes de imagens disponíveis publicamente obtidas do Google Street View. O benefício de usar essas imagens é que elas não só são facilmente acessíveis, mas também podem fornecer dados visuais valiosos sem a necessidade de pesquisas caras.

O processo envolve várias etapas: coleta de dados, pré-processamento, Segmentação de Imagens e o cálculo real da EPMB. Para começar, as imagens de street view necessárias são obtidas junto com seus metadados, que incluem informações como posição e ângulo da câmera. As imagens são então pré-processadas para ligá-las a prédios específicos com base em seus endereços.

Uma vez que as imagens estão preparadas, o próximo passo envolve detectar a posição das partes inferiores das portas e as bordas das calçadas nas imagens. Isso é feito por meio de técnicas de segmentação de imagens, que identificam e contornam eficientemente características relevantes nas imagens. O objetivo é coletar dados precisos sobre as alturas das portas, que podem ser usados para calcular o nível do andar mais baixo das estruturas.

Finalmente, a EPMB é calculada levando em consideração tanto a profundidade da imagem quanto o ângulo de inclinação, que indica quão alta a câmera estava quando a foto foi tirada. Combinando esses fatores, o algoritmo estima a EPMB. Esse novo método mostrou-se promissor em alcançar altos níveis de precisão quando comparado às medições tradicionais com drones.

#Estudo de Caso: Meyerland, Texas

Para ilustrar a eficácia desse método, foi realizado um estudo de caso em Meyerland, uma área propensa a inundações no Condado de Harris, Texas. A região viu um número significativo de pedidos de indenização por danos causados por inundações, tornando-se um local adequado para testar o novo método de estimativa. Muitos prédios em Meyerland foram reconstruídos ou elevados após inundações anteriores, destacando a necessidade de dados precisos de EPMB.

Neste estudo, os valores de EPMB derivados de imagens de street view foram comparados com medições de EPMB obtidas por drones, que serviram como verdade de base. Os resultados mostraram que o novo método atingiu um erro absoluto médio de apenas 0,19 metros (cerca de 7,5 polegadas), que é uma melhoria significativa em relação aos métodos anteriores.

A análise indicou que quando as partes inferiores das portas estavam totalmente visíveis, a precisão das estimativas da EPMB era ainda maior. No entanto, mesmo quando as partes inferiores das portas estavam parcialmente visíveis, o novo método ainda forneceu resultados confiáveis. Essa consistência demonstra que a abordagem proposta pode estimar efetivamente a EPMB em várias condições.

#Estimativa da Diferença de Altura

Além de calcular a EPMB, o método também estima a diferença de altura entre a rua e o piso mais baixo (DHPL). Essa informação é crucial para avaliar o risco de danos potenciais por inundações às propriedades. A média da DHPL encontrada no estudo de Meyerland foi de aproximadamente 1,074 metros (cerca de 3,52 pés), com muitas casas apresentando uma diferença de altura indicando que elas são menos propensas a sofrer danos severos por inundações se os níveis de água não ultrapassarem esse ponto.

O método também permite uma melhor compreensão da vulnerabilidade a inundações na comunidade. Comparando a EPMB e a DHPL com informações de profundidade da inundação, os proprietários de imóveis podem tomar decisões mais informadas sobre a preparação para inundações. Essa ênfase na avaliação de riscos pode ser extremamente valiosa para os tomadores de decisão locais e equipes de emergência.

#Vantagens do Novo Método

Uma das vantagens mais significativas desse novo método é sua eficiência. Os métodos tradicionais de pesquisa costumam ser demorados e requerem profissionais treinados, enquanto a abordagem de visão computacional pode analisar imagens de street view muito mais rapidamente e a um custo menor. Isso o torna adequado para avaliações de larga escala, como bairros inteiros ou cidades.

Além disso, o método aproveita dados disponíveis publicamente, o que elimina a necessidade de esforços caros de coleta de dados. Essa acessibilidade pode capacitar cidades e comunidades a tomarem medidas proativas para se protegerem de danos causados por inundações.

Além disso, as técnicas de visão computacional empregadas podem fornecer informações detalhadas e precisas sobre estruturas que podem não ser capturadas por métodos tradicionais, especialmente quando os prédios estão situados em vários ângulos ou se houver obstruções.

#Limitações e Direções Futuras

Embora o novo método de estimativa de elevação mostre promessa, ele também tem algumas limitações. Por exemplo, os mapas de profundidade usados para análise têm resolução mais baixa, o que pode afetar a precisão ao medir distâncias de edifícios mais distantes da câmera. Em casos onde a porta da frente de um edifício não está visível, o método pode ter dificuldades em fornecer estimativas precisas de EPMB, embora outros recursos como janelas possam ser usados como alternativas.

Trabalhos futuros poderiam se concentrar em melhorar a resolução dos mapas de profundidade ou desenvolver métodos para estimar elevações a partir de outras características dos edifícios. Também há espaço para explorar a aplicação dessa tecnologia em outras áreas de planejamento urbano e avaliação de infraestrutura.

#Conclusão

O método Elev-Vision demonstra um avanço significativo na estimativa da elevação do piso mais baixo e das diferenças de altura usando imagens de street view. Ao automatizar esse processo com técnicas de visão computacional, ele oferece uma alternativa rápida e acessível aos métodos de pesquisa tradicionais. Diante dos desafios constantes impostos pelas inundações, dados precisos de EPMB podem ajudar as comunidades a se prepararem melhor e a responderem aos riscos de inundação, auxiliando na redução e gerenciamento de riscos. Através de mais pesquisas e desenvolvimento, esse método tem o potencial de moldar a forma como as cidades abordam a avaliação de riscos de inundação e o planejamento de infraestrutura no futuro.