Qualificação de Tese de Doutorado de Raphael Molina Guimarães

 A Escola Nacional de Ciências Estatísticas convida para a Qualificação de Tese de Doutorado intitulada:

Identificação de Favelas em Imagens de Sensoriamento Remoto no Município do Rio de Janeiro

Aluno: Raphael Molina Guimarães

Data: 20 de agosto de 2026 – Quinta-Feira

Horário: 15h00m

Local: Auditório ENCE

Clique aqui

Resumo: As favelas constituem uma das principais expressões da urbanização desigual nas cidades brasileiras, e seu mapeamento tradicional, realizado por meio de censos demográficos, é caro e apresenta baixa frequência de atualização, o que compromete o acompanhamento contínuo da meta 11.1 dos Objetivos de Desenvolvimento Sustentável (ODS) da Organização das Nações Unidas. Nesse contexto, o uso de big data — em particular, imagens de sensoriamento remoto associadas a classificadores automáticos — aparece como alternativa complementar para a identificação dessas áreas no município do Rio de Janeiro. A tese está estruturada em três artigos que abordam, em sequência, etapas do problema de classificação automática de favelas cariocas: (i) o desenho amostral mais adequado à construção de um conjunto de treinamento; (ii) a comparação entre algoritmos de classificação automática de imagens, mantendo fixo o desenho amostral definido no primeiro artigo; e (iii) a proposição de um modelo aplicado à área urbana completa do município, comparado às classificações oficiais já existentes (IBGE e Data Rio). O primeiro artigo, já concluído, avaliou o efeito do desenho amostral — Amostragem Aleatória Simples e Amostragem Estratificada Simples, combinadas ou não a aumento artificial da amostra — sobre o desempenho de um classificador Random Forest fixo, em 600 execuções (quatro cenários × dez tamanhos amostrais × 15 repetições), tendo como unidade de classificação o segmento gerado por segmentação SLIC. Os resultados indicaram que a Amostragem Estratificada Simples sem aumento artificial obteve o melhor desempenho médio (F1 = 0,2241), sendo a Amostragem Aleatória Simples sem nenhum reforço o único cenário estatisticamente inferior; uma ANOVA fatorial confirmou interação significativa entre amostragem e aumento artificial (p = 0,048), evidenciando que os dois reforços são parcialmente substituíveis entre si e não aditivos, no entanto o aumento artificial eleva em cerca de quatro vezes o tempo de processamento sem ganho de desempenho quando já há estratificação. O segundo e o terceiro artigos, ainda em desenvolvimento, dão continuidade a essa investigação, com conclusão prevista, respectivamente, para fevereiro e setembro de 2027, e defesa da tese prevista para fevereiro de 2028.

Palavras-Chave: Sensoriamento Remoto; Favelas; Classificação Automática de Imagens; Amostra de Treinamento; Random Forest; Big Data.

Banca Examinadora: 

Dra. Andrea Diniz da Silva (ENCE/IBGE) - Orientadora

Dr. Marcelo Rodrigues de Albuquerque Maranhão(DGC/IBGE) - Coorientador

Dra. Leticia de Carvalho Giannella (ENCE/IBGE)

Dra. Flávia da Fonseca Feitosa (UFABC)

Coordenação de Pós-Graduação

Ana Carolina Soares Bertho