Uma imagem aérea permite olhar o município de outro ângulo. Mas, para orientar o trabalho de uma equipe, ela precisa se transformar em informação: o que merece atenção, onde está e como deve ser avaliado.
É nessa passagem que a inteligência artificial pode ajudar. Um estudo desenvolvido com imagens do projeto Voo Pela Saúde investigou a identificação automatizada de potenciais criadouros em um recorte da região central de Alfenas, em Minas Gerais. A principal conclusão prática é a importância de combinar análise automatizada e revisão técnica.
Ver o território é o primeiro passo
Caixas-d’água, piscinas e pneus podem aparecer nas imagens obtidas por drones. Localizar esses objetos e avaliar suas características exige atenção, especialmente quando o levantamento cobre uma área urbana extensa.
Reconhecer um objeto na imagem não confirma, por si só, a presença de larvas ou de um criadouro ativo. O mapeamento produz indicações para análise e para o trabalho das equipes municipais.
Como o estudo foi realizado em Alfenas
Os pesquisadores utilizaram imagens aéreas de alta resolução disponibilizadas pela GRS80 por meio do Voo Pela Saúde. Para treinar o modelo de reconhecimento de objetos, chamado YOLO v9, foram selecionadas 10 mil amostras de imagens de municípios mineiros.
A avaliação foi feita em uma área de aproximadamente 262 hectares da região central de Alfenas. A imagem usada nessa avaliação não integrou o treinamento. Os resultados automatizados foram comparados com uma identificação manual realizada por interpretação visual da mesma imagem.
O estudo considerou três grupos de objetos: armazenamento de água, como caixas-d’água; depósitos fixos, como piscinas; e materiais passíveis de remoção, como pneus. Foram testados três níveis de confiança do modelo, para observar como a configuração alterava as detecções.
Mais agilidade, com limites que precisam ser conhecidos
Na comparação apresentada no manuscrito, a identificação manual levou 6 horas e 20 minutos. O processamento automatizado levou entre 16 e 18 minutos, conforme a configuração utilizada.
TEMPOS RELATADOS NO ESTUDO
Comparação da etapa de identificação nas condições do estudo. O tempo total da revisão humana posterior não foi informado; estes valores não representam o prazo de entrega do serviço completo.
Ao tornar a detecção mais abrangente, o modelo também passou a gerar mais falsos positivos: objetos sinalizados que, na revisão, não correspondiam ao alvo pretendido. O manuscrito relata confusões com elementos como exaustores, automóveis e piscinas em boas condições.
Isso mostra por que rapidez e qualidade precisam ser avaliadas juntas. A comparação com interpretação visual não equivale a uma confirmação entomológica em campo, e os resultados desse recorte não devem ser tratados como uma garantia para qualquer município.
A revisão técnica faz parte da solução
O fluxo proposto pelo estudo combina a capacidade da IA de examinar grandes volumes de imagens com a avaliação dos profissionais. Depois da detecção, a equipe revisa as indicações, descarta os falsos positivos e organiza os pontos que precisam de atenção.
A tecnologia amplia a capacidade de análise. O olhar técnico ajuda a transformar as indicações em informação útil para a operação.
Essa combinação permite aproveitar a automação sem confundir uma indicação do modelo com uma conclusão definitiva sobre o local. Também cria oportunidades de aperfeiçoamento a partir das verificações realizadas pelas equipes.
O que isso significa para a gestão municipal
O valor do levantamento está em sua conexão com a rotina de trabalho. Um ponto georreferenciado precisa chegar ao agente de forma compreensível; a ação realizada precisa ser registrada; e a gestão precisa acompanhar o que avançou e o que continua pendente.
No Voo Pela Saúde, o mapeamento se conecta ao aplicativo do agente, à sala de situação, à capacitação e ao suporte. A experiência apresentada no estudo reforça essa visão: imagens, tecnologia e pessoas precisam trabalhar juntas para apoiar as decisões do município.
Sobre o estudo que originou este conteúdo
Adaptação editorial do manuscrito Sustentabilidade e Resiliência Urbana: Aplicação e Avaliação de Técnicas de Machine Learning para a Localização Automática de Criadouros de Aedes aegypti em Alfenas, Minas Gerais, de Ivo Nunes Luiz, Oruam Pereira dos Santos e Caian Senra Fernandez.
A versão fornecida está identificada como “no prelo”. Este texto é uma adaptação para o blog; não apresenta o manuscrito como artigo já publicado em periódico. Os tempos citados constam do Quadro 1, página 12, e se referem às condições específicas do estudo.
DA PESQUISA À PRÁTICA
Como essa solução pode apoiar sua cidade?
Conheça o fluxo de trabalho e veja a sala de situação em uma reunião com nossa equipe.
Conversar sobre meu município