30 de setembro de 2026
Classificação de Terrenos com Aprendizado Profundo do ArcGIS para Apoio à Expansão de Gasodutos
Classificação de Terrenos com Aprendizado Profundo do Arcgis para Apoio à Expansão de Gasodutos
Antonio Marcos Pires Martins; Arthur Damasceno Vicente
DOI: 10.22167/2675-6528-202602687
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A expansão de gasodutos demanda planejamento territorial que concilie viabilidade técnica e restrições ambientais. O objetivo foi aplicar uma abordagem preliminar de aptidão territorial para apoiar o planejamento inicial da expansão de gasodutos. Utilizaram-se dados de sensoriamento remoto e análise espacial. A metodologia explorou a classificação de uso e cobertura do solo por deep learning em imagens Sentinel-2 e avaliou variáveis físicas do terreno, como declividade e orientação de vertente, e restrições socioambientais, incluindo corpos d’água e áreas quilombolas. A validação da classificação temática por deep learning apresentou acurácia geral de 44,4% e índice Kappa de 0,305, evidenciando limitações do modelo pré-treinado frente às condições sazonais da área de estudo. Este desempenho inviabilizou a integração direta do mapa de cobertura ao modelo de aptidão nesta etapa. Contudo, estruturou-se um modelo preliminar de aptidão, categorizado em áreas aptas, condicionadas e restritas, baseado nas variáveis físicas e restritivas. A análise por pontos amostrais verificou a distribuição espacial dessas classes, com 46,3% das áreas classificadas como aptas, 37,0% como condicionadas e 12,0% como restritas. Concluiu-se que a exploração individual dessas técnicas constitui um importante suporte inicial ao planejamento de infraestruturas lineares, oferecendo uma estrutura transparente de critérios e precedências para triagem espacial.
Palavras-chave: Análise espacial; Aptidão territorial; Deep learning; Geoprocessamento; Infraestrutura linear.
1. Introdução
A expansão de infraestruturas energéticas, como gasodutos, demanda processos de planejamento territorial que conciliem viabilidade técnica, restrições ambientais e condicionantes legais. A definição de áreas adequadas para a implantação desse tipo de infraestrutura envolve a análise integrada de múltiplas variáveis espaciais, incluindo características físicas do terreno, padrões de uso e cobertura da terra e a presença de áreas sensíveis. Nesse contexto, o uso de Sistemas de Informação Geográfica (SIG) tem se consolidado como uma ferramenta essencial para apoiar a tomada de decisão em projetos de infraestrutura, especialmente nas fases iniciais de planejamento (Longley et al., 2015).
Tradicionalmente, análises de aptidão territorial para implantação de gasodutos e outras infraestruturas lineares baseiam-se na integração de bases cartográficas temáticas e critérios técnicos previamente definidos. Entretanto, a disponibilidade, a atualização e o nível de detalhamento dessas informações nem sempre atendem às necessidades de projetos em escala regional, o que pode introduzir incertezas no processo decisório (Eastman, 2012). Nesse sentido, o sensoriamento remoto tem se mostrado uma alternativa relevante para a obtenção de informações atualizadas sobre o território, contribuindo para análises espaciais mais consistentes e integradas (Jensen, 2016).
Nos últimos anos, técnicas de deep learning têm sido amplamente aplicadas à classificação de imagens de sensoriamento remoto, apresentando avanços significativos em termos de automação e acurácia quando comparadas a métodos tradicionais de classificação (Ma et al., 2019; Zhu et al., 2017). Modelos baseados em redes neurais convolucionais permitem a identificação de padrões complexos em imagens multiespectrais, possibilitando a geração de mapas de uso e cobertura da terra com maior nível de detalhamento. Esses produtos podem subsidiar análises espaciais voltadas ao planejamento de infraestruturas lineares, incluindo a identificação de áreas urbanas e corpos d’água.
Apesar desses avanços, é fundamental distinguir o papel descritivo dos mapas de uso e cobertura da terra daquele desempenhado por modelos de aptidão territorial. Enquanto a classificação de imagens busca representar a ocupação do território, os modelos de aptidão têm como finalidade expressar restrições e condicionantes técnicos e legais à implantação de empreendimentos, a partir da integração de diferentes variáveis espaciais (Malczewski, 2006). Essa distinção é essencial para evitar interpretações equivocadas e garantir que os produtos gerados sejam utilizados de forma adequada nas etapas de planejamento.
Diante desse contexto, e considerando que a validação da classificação temática por deep learning apresentou desempenho limitado (acurácia global de 44,4% e índice Kappa de 0,305), o que inviabilizou sua integração direta ao modelo de aptidão nesta etapa do estudo, este trabalho justifica-se pela necessidade de uma ferramenta de triagem espacial para o planejamento de infraestruturas lineares. Assim, o objetivo geral deste trabalho é desenvolver e aplicar uma estrutura preliminar de apoio à avaliação da aptidão territorial para a expansão de gasodutos, considerando a caracterização do uso e cobertura da terra por deep learning, as variáveis físicas do terreno e as restrições socioambientais, com o mapa de aptidão elaborado a partir das variáveis físicas e restrições, sem incorporar a classificação obtida por deep learning nesta etapa do estudo.
2. Material e Métodos
O estudo adotou uma abordagem exploratória, integrando sensoriamento remoto e análise espacial para apoiar o planejamento inicial da expansão de gasodutos. Desenvolveu-se uma estrutura preliminar de aptidão territorial, considerando uso e cobertura da terra por deep learning, variáveis físicas do terreno e restrições socioambientais. A metodologia explorou individualmente a classificação de imagens e a modelagem de aptidão.
A pesquisa foi conduzida no Extremo Oeste da Bahia, abrangendo trechos-piloto nos municípios de Buritirama, Barra, Mansidão, Cotegipe, Wanderley, Ibotirama, Morpará e Xique-Xique. Essa região foi selecionada pela diversidade de usos e coberturas da terra, relevo variado e presença de áreas ambientalmente sensíveis, tornando-a representativa para análises de planejamento de infraestruturas lineares. A delimitação espacial da área foi realizada em ambiente SIG, com sistema de referência cartográfica compatível.
Para a classificação de uso e cobertura da terra, utilizaram-se imagens multiespectrais do satélite Sentinel-2 (agosto de 2023), obtidas gratuitamente pelo programa Copernicus (COPERNICUS PROGRAMME – ESA & European Union, 2026). Selecionaram-se imagens com baixa cobertura de nuvens (30%) (Hofig; Araujo Junior, 2015). A orientação de vertente foi incorporada como condicionante físico exploratório.
Análises de proximidade foram realizadas com a ferramenta Distance Accumulation do ArcGIS Pro (Esri, 2026; Longley et al., 2015), aplicadas a dados vetoriais de corpos d’água e áreas quilombolas. Essas variáveis foram consideradas restrições absolutas para exclusão espacial. Construíram-se máscaras binárias (0 para restrito, 1 para não restrito) com a ferramenta Raster Calculator (Esri, 2026; Malczewski, 2006), padronizando as restrições para integração no modelo de aptidão.
O mapa preliminar de aptidão territorial foi construído pela integração das máscaras binárias de restrição com as variáveis reclassificadas de declividade e orientação de vertente. Utilizou-se a ferramenta Raster Calculator com lógica condicional (Con) no ArcGIS Pro (Esri, 2026; Malczewski, 2006). Essa lógica priorizou restrições absolutas e, na ausência destas, considerou restrições moderadas das variáveis físicas do terreno (Longley et al., 2015). O mapa resultante foi classificado em três categorias: Apto, Condicionado/Baixa Aptidão e Restrito.
Para apoiar a análise inicial do mapa de aptidão territorial, geraram-se 1.000 pontos amostrais aleatórios com a ferramenta Create Random Points, distribuídos pela extensão da área de estudo. Os valores das camadas raster foram extraídos para esses pontos utilizando a ferramenta Extract Multi Values to Points (Esri, 2026; Longley et al., 2015). Esse procedimento permitiu a rotulagem das amostras conforme as classes de aptidão e a quantificação da distribuição percentual dos pontos.
3. Resultados e Discussão
A presente pesquisa explorou uma abordagem preliminar para a avaliação da aptidão territorial destinada ao planejamento de gasodutos, integrando técnicas de sensoriamento remoto e análise espacial. Os resultados obtidos são apresentados e discutidos em duas frentes principais: a avaliação do desempenho da classificação de uso e cobertura do solo por deep learning e a análise do mapa preliminar de aptidão territorial, construído a partir de variáveis físicas e restrições socioambientais. A distinção entre essas duas abordagens é crucial para compreender o significado dos achados e suas implicações para o planejamento de infraestruturas lineares.
Inicialmente, a classificação de uso e cobertura da terra, realizada por meio de um modelo pré-treinado de deep learning aplicado a imagens Sentinel-2, gerou um mapa temático com diversas classes. Uma análise visual preliminar, comparando este mapa com dados de referência do MapBiomas, revelou tanto convergências quanto divergências temáticas na distribuição espacial das classes. Essa comparação visual foi fundamental para uma compreensão qualitativa das características do mapa antes da sua validação quantitativa, auxiliando na identificação de padrões e inconsistências na representação do território.
Avaliação da Classificação de Uso e Cobertura do Solo por Deep Learning
A validação quantitativa da classificação temática, essencial para verificar a qualidade e confiabilidade dos resultados, foi realizada por meio de uma matriz de confusão. Os indicadores de desempenho revelaram uma acurácia global de 44,4% e um índice Kappa de aproximadamente 0,30. Esses valores indicam um desempenho limitado do modelo e uma concordância apenas modesta entre a classificação gerada e os dados de referência. Embora a acurácia global tenha superado o referencial de 20% esperado para uma classificação aleatória entre cinco classes, o resultado não é considerado satisfatório para uso operacional (Olofsson et al., 2014; Jensen, 2016).
A análise detalhada do desempenho por classe temática evidenciou um comportamento heterogêneo do modelo. A classe C4, correspondente às áreas antrópicas intensivas, apresentou acurácias de produtor e usuário iguais a zero, indicando uma falha completa na sua identificação. Este resultado sugere uma dificuldade significativa do modelo em diferenciar áreas urbanizadas e outras superfícies modificadas dentro da área de estudo, o que compromete a representação de elementos cruciais para o planejamento de infraestruturas.
Para a classe C1, que representa áreas abertas com baixa cobertura vegetal, observou-se uma acurácia do produtor de 60% e uma acurácia do usuário de 26%. Essa discrepância sugere uma tendência do modelo em superestimar a presença de áreas abertas, possivelmente atribuindo essa classe a locais que, na realidade, possuíam outros tipos de cobertura ou plantios. A baixa confiabilidade para o usuário (26%) indica que uma parcela significativa das áreas classificadas como C1 não correspondia à realidade no terreno, gerando erros de comissão.
As áreas agrícolas e de vegetação de baixo porte (C2) apresentaram 49% de acerto na identificação das áreas reais (acurácia do produtor) e 61% de confiabilidade (acurácia do usuário). Essa classe demonstrou maior dificuldade de diferenciação, o que pode estar relacionado à semelhança espectral entre áreas de preparo do solo, cultivos e a vegetação rasteira comum na região. A dificuldade em distinguir essas categorias é um desafio conhecido em classificações de sensoriamento remoto, especialmente em paisagens agrícolas dinâmicas (Jensen, 2016).
Em relação às áreas vegetadas mistas e florestais (C3), o modelo identificou corretamente apenas 37% das áreas existentes (acurácia do produtor), mas apresentou uma confiabilidade de 71% (acurácia do usuário). Esse padrão sugere um comportamento mais conservador do modelo, onde a classificação foi mais precisa nas áreas que ele realmente identificou como floresta, mas com uma elevada omissão de áreas reais. Isso implica que muitas áreas florestais não foram detectadas, o que pode ser problemático em contextos de planejamento que exigem a identificação de todas as áreas sensíveis.
A classe C5, que compreende água e áreas úmidas, obteve o melhor desempenho na identificação das áreas reais, com 76% de acerto na acurácia do produtor. Isso indica que o modelo possui uma boa capacidade de reconhecer a presença de corpos d’água. Contudo, a acurácia do usuário de 56% sugere que uma parte das áreas classificadas como água pode ter sido confundida com outros elementos de características espectrais semelhantes, como sombras ou solos úmidos, resultando em erros de comissão.
Os principais erros de classificação observados, particularmente entre áreas de vegetação natural e áreas de plantio, podem ser atribuídos à similaridade das características espectrais dessas coberturas para o sensor do satélite. Além disso, o uso de um modelo pré-treinado global, que não foi ajustado com exemplos específicos das paisagens da Bahia, provavelmente contribuiu para o desempenho limitado. A época do ano das imagens de satélite (agosto), período de seca no Oeste da Bahia, também pode ter influenciado as divergências, pois a vegetação nativa apresenta menor vigor e se assemelha a áreas agrícolas colhidas ou em preparação (Jansen; Di Gregorio, 2008).
A diferença na resolução temporal entre os dados utilizados também representou uma limitação. Enquanto as imagens Sentinel-2 correspondiam a agosto de 2023, os dados de referência do MapBiomas eram consolidados anualmente. Essa incompatibilidade temporal dificultou uma comparação direta e precisa, introduzindo incertezas na validação. Em síntese, a classificação por deep learning, embora exploratória, demonstrou as limitações de transferir um modelo global pré-treinado para um contexto regional específico sem ajustes ou calibrações locais.
Em função do desempenho limitado na validação da classificação, os dados derivados do modelo de deep learning não foram incorporados quantitativamente ao mapa preliminar de aptidão territorial nesta etapa do estudo. Eles permaneceram como um produto analítico complementar, utilizado para a caracterização do uso e cobertura da terra e para a interpretação do contexto territorial. Essa decisão metodológica foi crucial para preservar a rastreabilidade do modelo de aptidão e evitar a propagação das incertezas da classificação temática para o resultado final de triagem espacial.
Avaliação do Mapa de Aptidão Territorial
A construção do mapa preliminar de aptidão territorial para a expansão de gasodutos foi realizada a partir da integração de variáveis físicas do terreno e restrições socioambientais. As variáveis de declividade e orientação de vertente, derivadas do Modelo Digital de Terreno, foram reclassificadas em categorias de aptidão. A declividade foi categorizada em apta (inferior a 10%), condicionada (entre 10% e 30%) e restrita (superior a 30%), com base em critérios indicativos de aptidão (Hofig; Araujo Junior, 2015).
As restrições socioambientais, como corpos d’água e áreas quilombolas, foram tratadas como restrições absolutas, sendo representadas por máscaras binárias onde o valor zero indicava área restrita e o valor um, área não restrita. Essas máscaras foram geradas por meio de análises de proximidade, utilizando ferramentas de geoprocessamento. A lógica de integração priorizou as restrições absolutas, e na ausência destas, considerou as restrições moderadas associadas às variáveis físicas do terreno (Longley et al., 2015).
O mapa de aptidão resultante classificou o território em três categorias de apoio à decisão: Apto, Condicionado/Baixa Aptidão e Restrito. Essa hierarquia explícita de critérios e precedências garante a rastreabilidade e a reprodutibilidade do modelo, tornando-o uma ferramenta transparente para a triagem espacial. É importante ressaltar que os limiares adotados para as variáveis físicas possuem caráter indicativo e exploratório, devendo ser parametrizados conforme normas técnicas e requisitos específicos de engenharia em aplicações operacionais.
Para uma análise quantitativa da distribuição espacial das classes de aptidão, foram gerados mil pontos amostrais aleatórios. A distribuição percentual desses pontos revelou que a classe Apto é predominante, correspondendo a 46,3% das ocorrências. A categoria Condicionada/Baixa Aptidão representou 37,0% do total de pontos, indicando áreas que exigem considerações adicionais ou soluções de engenharia mais complexas para a implantação de gasodutos.
As áreas Restritas somaram 12,0% dos pontos amostrais, refletindo a aplicação das regras de exclusão baseadas nas restrições absolutas, como a presença de corpos d’água e áreas quilombolas. Os 4,7% restantes corresponderam a pontos sem informação ou outras categorias não classificadas. Esses percentuais descrevem a distribuição das classes de aptidão no território analisado, servindo para verificar o comportamento e a distribuição espacial das regras implementadas no modelo preliminar.
O modelo preliminar de aptidão territorial, portanto, não se configura como uma solução definitiva de traçado para gasodutos, mas como um instrumento de triagem espacial que apoia as etapas iniciais de planejamento. Ele oferece uma estrutura transparente de critérios e precedências para organizar informações espaciais, auxiliando na priorização de áreas para estudos mais detalhados. A metodologia demonstrou o potencial de integrar dados de sensoriamento remoto e geoprocessamento para fornecer um suporte inicial robusto à tomada de decisão em projetos de infraestrutura linear.
Em síntese, a pesquisa alcançou seu objetivo de desenvolver uma estrutura preliminar de apoio à avaliação da aptidão territorial, utilizando variáveis físicas do terreno e restrições socioambientais. Embora a classificação de uso e cobertura do solo por deep learning tenha apresentado desempenho limitado e não tenha sido integrada diretamente ao modelo de aptidão nesta etapa, a exploração individual dessas técnicas, em conjunto com a análise espacial, constitui um importante suporte inicial ao planejamento de infraestruturas lineares, oferecendo uma base transparente para a triagem espacial e a identificação de áreas prioritárias para investigação futura.
4. Conclusão
O estudo objetivou desenvolver e aplicar uma estrutura preliminar de apoio à avaliação da aptidão territorial para a expansão de gasodutos, integrando a caracterização do uso e cobertura da terra por deep learning, variáveis físicas do terreno e restrições socioambientais. Verificou-se que a classificação de uso e cobertura do solo por deep learning, embora exploratória, apresentou desempenho limitado, com acurácia global de 44,4% e índice Kappa de 0,305. Essa performance inviabilizou sua integração direta ao modelo de aptidão nesta etapa, devido a desafios como a similaridade espectral entre classes e a ausência de calibração local do modelo pré-treinado. Contudo, estruturou-se um modelo preliminar de aptidão territorial, categorizado em áreas aptas, condicionadas e restritas, com base na declividade, orientação de vertente e restrições socioambientais absolutas, como corpos d’água e áreas quilombolas. A análise por pontos amostrais indicou que 46,3% das áreas foram classificadas como aptas, 37,0% como condicionadas e 12,0% como restritas. A principal contribuição reside na proposição de uma estrutura transparente de critérios e precedências para a triagem espacial, oferecendo um suporte inicial robusto ao planejamento de infraestruturas lineares.
As limitações do estudo incluíram o desempenho restrito do modelo de deep learning pré-treinado, que não foi ajustado às especificidades regionais, e a incompatibilidade temporal entre as imagens de satélite e os dados de referência, introduzindo incertezas na validação. Os limiares de aptidão adotados para as variáveis físicas possuem caráter indicativo e exploratório, necessitando de parametrização conforme normas de engenharia em aplicações operacionais. Para estudos futuros, recomenda-se o treinamento e ajuste fino de modelos de deep learning com amostras locais, validação temporal em diferentes períodos sazonais e a incorporação de novos fatores ao modelo de aptidão, como proximidade à malha viária, dados geotécnicos e custos de desapropriação, além da aplicação de análises multicritério e de sensibilidade. Tais avanços aprimorariam a robustez e a confiabilidade dos resultados, consolidando a metodologia como uma ferramenta mais abrangente para o planejamento territorial de gasodutos.
Referências Bibliográficas
Copernicus Programme; European Union. 2026. Copernicus Data Space Ecosystem: acesso a dados de observação da Terra e modelos digitais de elevação. Disponível em: <https://dataspace.copernicus.eu/>. Acesso em: 08 fev. 2026.
Departamento Nacional de Infraestrutura de Transportes [DNIT]. 2026. VGeo: Visualizador de Informações Geográficas do DNIT. Disponível em: <https://servicos.dnit.gov.br/vgeo/>. Acesso em: 06 fev. 2026.
Di Gregorio, A.; Jansen, L.J.M. 2000. Land Cover Classification System (LCCS): classification concepts and user manual. FAO, Rome, Italy. Disponível em: <https://www.fao.org/3/x0596e/x0596e00.htm>. Acesso em: 12 abr. 2026.
Eastman, J.R. 2012. IDRISI Selva Manual. Clark University, Worcester, MA, USA. Disponível em: <http://uhulag.mendelu.cz/files/pagesdata/eng/gis/idrisi_selva_tutorial.pdf>. Acesso em: 03 fev. 2026.
Esri. 2025. Deep learning using the ArcGIS Image Analyst extension. Disponível em: <https://pro.arcgis.com/en/pro-app/latest/help/analysis/image-analyst/deep-learning-in-arcgis-pro.htm>. Acesso em: 11 out. 2025.
Esri. 2026. ArcGIS Pro: Deep Learning Land Cover Classification. Esri, Redlands, CA, USA. Disponível em: <https://www.esri.com/en-us/arcgis/products/arcgis-pro/overview>. Acesso em: 10 fev. 2026.
Jensen, J.R. 2016. Introductory Digital Image Processing: a remote sensing perspective. 4ed. Pearson, New York, NY, USA.
Longley, P.A.; Goodchild, M.F.; Maguire, D.J.; Rhind, D.W. 2015. Geographic Information Science and Systems. 4ed. Wiley, Hoboken, NJ, USA.
Ma, L.; Liu, Y.; Zhang, X.; Ye, Y.; Yin, G.; Johnson, B.A. 2019. Deep learning in remote sensing applications: a meta analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing 152: 166-177.
Malczewski, J. 2006. GIS based multicriteria decision analysis: a survey of the literature. International Journal of Geographical Information Science 20(7): 703-726.
MapBiomas. 2026. Plataforma MapBiomas Brasil: coleções de cobertura e uso da terra no Brasil. Disponível em: <https://brasil.mapbiomas.org/>. Acesso em: 05 fev. 2026.
Olofsson, P.; Foody, G.M.; Herold, M.; Stehman, S.V.; Woodcock, C.E.; Wulder, M.A. 2014. Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment 148: 42-57.
Zhu, X.X.; Tu, W.; Mou, L.; Xia, G.S.; Zhang, L.; Xu, F.; Fraundorfer, F. 2017. Deep learning in remote sensing: a comprehensive review. IEEE Geoscience and Remote Sensing Magazine 5(4): 8-36.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy
