Identificação de Composições da Paisagem Urbana
A composição do ambiente pode exercer impactos sobre comportamentos, no entanto, esta relação permanece incerta até que qualidades e a paisagem das cidades possam ser analisadas empiricamente. Imagens obtidas através do Google Street View (GSV) possibilitam um grande volume de dados para avaliação a...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | Portuguese |
| Published: |
Rede Portuguesa de Morfologia Urbana
2020-06-01
|
| Series: | Revista de Morfologia Urbana |
| Subjects: | |
| Online Access: | http://revistademorfologiaurbana.org/index.php/rmu/article/view/140 |
| _version_ | 1819065590856286208 |
|---|---|
| author | Ana Luiza Favarão Leão Hugo Queiroz Abonizio Sylvio Barbon Júnior Milena Kanashiro |
| author_facet | Ana Luiza Favarão Leão Hugo Queiroz Abonizio Sylvio Barbon Júnior Milena Kanashiro |
| author_sort | Ana Luiza Favarão Leão |
| collection | DOAJ |
| description | A composição do ambiente pode exercer impactos sobre comportamentos, no entanto, esta relação permanece incerta até que qualidades e a paisagem das cidades possam ser analisadas empiricamente. Imagens obtidas através do Google Street View (GSV) possibilitam um grande volume de dados para avaliação automatizada das características ambientais. Técnicas de deep learning tem avançado na identificação de elementos compositivos do ambiente construído. Neste sentido, este estudo busca investigar e testar um procedimento de identificação da configuração e composição da paisagem urbana, por meio da classificação de imagens obtidas pelo GSV. A partir de um banco de imagens de três bairros de Londrina-PR, um modelo de deep learning para classificação de imagens foi proposto. O modelo obteve um bom desempenho, atribuindo corretamente 87,6% das amostras dos respectivos bairros do estudo de caso. Características compositivas foram empiricamente identificadas, considerando a distribuição das amostras no espaço de busca obtido. O modelo proposto contribui na definição de recortes espaciais bem como na mensuração de qualidades ambientais, otimizando coletas de dados, ampliando amostras e conferindo objetividade aos resultados. Esta abordagem contribui na expansão das escalas analíticas da cidade, identificando padrões compositivos e relacionais para o entendimento de elementos influentes no comportamento humano. |
| first_indexed | 2024-12-21T15:48:53Z |
| format | Article |
| id | doaj.art-88ab0ac8a5f4457189943900822bf14f |
| institution | Directory Open Access Journal |
| issn | 2182-7214 |
| language | Portuguese |
| last_indexed | 2024-12-21T15:48:53Z |
| publishDate | 2020-06-01 |
| publisher | Rede Portuguesa de Morfologia Urbana |
| record_format | Article |
| series | Revista de Morfologia Urbana |
| spelling | doaj.art-88ab0ac8a5f4457189943900822bf14f2022-12-21T18:58:18ZporRede Portuguesa de Morfologia UrbanaRevista de Morfologia Urbana2182-72142020-06-0181e00140e00140108Identificação de Composições da Paisagem UrbanaAna Luiza Favarão Leão0https://orcid.org/0000-0002-0914-0937Hugo Queiroz Abonizio1https://orcid.org/0000-0001-5208-0290Sylvio Barbon Júnior2https://orcid.org/0000-0002-4988-0702Milena Kanashiro3https://orcid.org/0000-0002-8796-4237Universidade Estadual de LondrinaUniversidade Estadual de LondrinaUniversidade Estadual de Londrina Universidade Estadual de LondrinaA composição do ambiente pode exercer impactos sobre comportamentos, no entanto, esta relação permanece incerta até que qualidades e a paisagem das cidades possam ser analisadas empiricamente. Imagens obtidas através do Google Street View (GSV) possibilitam um grande volume de dados para avaliação automatizada das características ambientais. Técnicas de deep learning tem avançado na identificação de elementos compositivos do ambiente construído. Neste sentido, este estudo busca investigar e testar um procedimento de identificação da configuração e composição da paisagem urbana, por meio da classificação de imagens obtidas pelo GSV. A partir de um banco de imagens de três bairros de Londrina-PR, um modelo de deep learning para classificação de imagens foi proposto. O modelo obteve um bom desempenho, atribuindo corretamente 87,6% das amostras dos respectivos bairros do estudo de caso. Características compositivas foram empiricamente identificadas, considerando a distribuição das amostras no espaço de busca obtido. O modelo proposto contribui na definição de recortes espaciais bem como na mensuração de qualidades ambientais, otimizando coletas de dados, ampliando amostras e conferindo objetividade aos resultados. Esta abordagem contribui na expansão das escalas analíticas da cidade, identificando padrões compositivos e relacionais para o entendimento de elementos influentes no comportamento humano.http://revistademorfologiaurbana.org/index.php/rmu/article/view/140morfologia urbanaambiente construídoaprendizado profundoclassificação de imagensgoogle street view |
| spellingShingle | Ana Luiza Favarão Leão Hugo Queiroz Abonizio Sylvio Barbon Júnior Milena Kanashiro Identificação de Composições da Paisagem Urbana Revista de Morfologia Urbana morfologia urbana ambiente construído aprendizado profundo classificação de imagens google street view |
| title | Identificação de Composições da Paisagem Urbana |
| title_full | Identificação de Composições da Paisagem Urbana |
| title_fullStr | Identificação de Composições da Paisagem Urbana |
| title_full_unstemmed | Identificação de Composições da Paisagem Urbana |
| title_short | Identificação de Composições da Paisagem Urbana |
| title_sort | identificacao de composicoes da paisagem urbana |
| topic | morfologia urbana ambiente construído aprendizado profundo classificação de imagens google street view |
| url | http://revistademorfologiaurbana.org/index.php/rmu/article/view/140 |
| work_keys_str_mv | AT analuizafavaraoleao identificacaodecomposicoesdapaisagemurbana AT hugoqueirozabonizio identificacaodecomposicoesdapaisagemurbana AT sylviobarbonjunior identificacaodecomposicoesdapaisagemurbana AT milenakanashiro identificacaodecomposicoesdapaisagemurbana |