Link para as Imagens: images
Link para as máscaras: masks
Favelas e comunidades urbanas possuem uma dinâmica própria de expansão e esta dinâmica traz consigo uma demanda por políticas públicas específicas para essas áreas. Para garantir políticas públicas adequadas é importante acompanhar as modificações ocorridas ao longo do tempo, inclusive a sua expansão ou retração. O trabalho propõe o uso de múltiplas técnicas e algoritmos de machine learning para a identificação de favelas e comunidades urbanas do bairro da Pavuna, na cidade do Rio de janeiro, além de avaliar a possibilidade de expandir a aplicação para outras áreas do município.
Para possibilitar a utilização de classificadores supervisionados, foi criada uma amostra de treinamento, composta por polígonos que delimitam elementos de interesse, os quais sejam aqueles característicos de favelas e comunidades urbanas. Tais polígonos foram desenhados em setores censitários classificados pelo IBGE como aglomerados subnormais. Os setores foram selecionados por amostragem inversa até alcançarem 30% do total de setores desse tipo. Para a composição das unidades da amostra foi utilizada a ferramenta Quantum GIS. Cada polígono é a classificação de quais áreas dentro do setor especificado são consideradas favelas ou comunidades urbanas. A amostra criada é vista na imagem abaixo.
O pré-processamento da imagem utiliza algoritmos baseados em segmentação de superpixel pelos métodos de Felzenszwalbs e SLIC, adicionando a média, mediana e desvio padrão das bandas para cada método de superpixel à imagem original. Além da adição de medidas representativas das distribuições espectrais dos superpixels, foi o índice de forma espacial (SSI) à imagem original, totalizando sete novas características além do RGB natural da imagem.
Os seguintes algoritmos foram selecionados para teste: LightGBM, MLP Classifier, Random Forest, Gradient Boosting, K-Means, Naive-Bayes e Logistic-regression. A seleção dos melhores parâmetros para cada modelo foi feita através do método GridSearchCV da scikit-learn. Os resultados para cada classificador podem ser observados na imagem e tabela abaixo.
| Model | Accurracy | Precision | Recall | F1-Score | IoU |
|---|---|---|---|---|---|
| Gradient Boost | 93.5% | 80.6% | 71.6% | 75.8% | 66.4% |
| Light GBM | 87.2% | 53.6% | 76.3% | 63.0% | 62.3% |
| MLP Classifier | 90.6% | 65.4% | 73.2% | 69.1% | 53.3% |
| Random Forest | 85.4% | 48.9% | 49.5% | 49.2% | 58.4% |
| Naive-Bayes | 62.0% | 22.2% | 66.1% | 33.2% | 50.6% |
| K-Means | 53.3% | 15.0% | 48.7% | 23.0% | 54.2% |
| Logistic-Regression | 85.4% | 47.5% | 17.0% | 25.1% | 51.0% |