O processo de urbanização expõe a paisagem urbana a rápidas e constantes transformações. A mudança nos padrões de uso e cobertura do solo impacta diretamente na qualidade de vida das cidades. Por isso o monitoramento da composição territorial urbana se torna fundamental para a gestão urbana. Para obter acesso a esses dados, estudos vem aplicando técnicas de sensoriamento remoto aliada à aprendizagem de máquina (machine learning). As imagens de satélites oferecem dados em larga escala e com alta resolução temporal, facilitando a detecção de mudanças na paisagem. Já os algoritmos de machine learning proporcionam classificações com maior acurácia em relação aosmétodos tradicionais. A partir desse contexto e das técnicas disponíveis, o estudo tem como objetivo avaliar o desempenho do algoritmo Support Vector Machine (SVM) em quantificar áreas impermeáveis no perímetro urbano de Presidente Prudente a partir de uma imagem Planet. O processo de classificação foi feito por meio do software ArcGIS Pro. Os resultados demonstram alto desempenho para o SVM quando aplicado emclassificação de áreas impermeáveis em território urbano. A acurácia de 94% evidencia que o método proposto no trabalho é útil como ferramenta para o planejamento urbano.
The urbanization process exposes the urban landscape to rapid and constant transformations. The change in land use and land cover patterns directly impacts the quality of life in cities. Therefore, monitoring the urban territorial composition becomes essential for urban management. To gain access to these data, studies have been applying remote sensing techniques combined with machine learning. Satellite images provide large-scale data with high temporal resolution, making it easier to detect changes in thelandscape. Machine learning algorithms, on the other hand, provide classifications with greater accuracy compared to traditional methods. From this context and the available techniques, the study aims to evaluate the performance of the Support Vector Machine (SVM) algorithm in quantifying impervious areas in the urban perimeter of Presidente Prudente from a Planet image. The classification process was done using ArcGIS Pro software. The results demonstrate high performance for the SVM when applied in classification of impervious areas in urban territory. The accuracy of 94% shows that the method proposed in the work is useful as a tool for urban planning.
