Área de Estudo: cidade de Nápoles, na Itália
O meio ambiente é fundamental não apenas para a sobrevivência e o desenvolvimento humano, mas também como um pilar essencial para o progresso social e econômico sustentável. Com as mudanças climáticas globais e o aumento das atividades humanas, diversos problemas ecológicos emergiram, impactando significativamente os ecossistemas dos quais dependemos para nossa sobrevivência. Esses problemas resultaram no contínuo declínio da capacidade de regeneração dos ecossistemas. Em razão disso, desenvolver métodos para o monitoramento dinâmico e a avaliação da qualidade ambiental tornou-se um desafio central nas pesquisas ecológicas. Esta proposta de pesquisa tem como objetivo projetar uma abordagem de mensuração da vulnerabilidade ecológica baseada em mecanismos de aprendizado, tendo como área de estudo a cidade de Nápoles, na Itália. Considerando que não existe um parâmetro universal que descreva a vulnerabilidade ecológica às ações humanas sobre o meio ambiente natural, este projeto de pesquisa propõe a construção de um modelo de vulnerabilidade baseado na discretização dos contextos apresentados pelo Índice de Qualidade Ecológica baseado em Sensoriamento Remoto (Remote Sensing Ecological Index – RSEI). O RSEI é um índice ecológico calculado por meio da Análise de Componentes Principais (ACP) que combina quatro indicadores abrangentes sobre as condições ecológicas: Verde, Umidade, Secura e Calor. O resultado é um dado espacial que projeta áreas com alto e baixo valor de saúde ecológica, que podem ser classificadas em diferentes categorias de situação ecológica. Neste contexto, pretende-se treinar algoritmos de aprendizagem de máquina, como o Random Forest e o MultiLayer Perceptron (MLP), utilizando um conjunto de 2.000 amostras selecionadas aleatoriamente para representar diferentes níveis de qualidade ecológica. Quando modelados por um segundo conjunto de fatores condicionantes, esses dados têm o potencial de caracterizar a vulnerabilidade ambiental e a pressão humana no espaço geográfico, resultando em modelos de vulnerabilidade à pressão humana. Assim, das 2.000 amostras, 1.000 serão classificadas como áreas de alta propensão a sofrer pressão humana direta, recebendo o valor 1, indicando alta vulnerabilidade. Para essa classe, 600 amostras serão selecionadas das áreas com “Muito Alta” pressão, 300 de áreas com “Alta” pressão e 100 de áreas com “Moderada a Alta” pressão. Da mesma forma, as outras 1.000 amostras representarão áreas de baixa propensão à pressão humana, recebendo o valor 0, indicando baixa vulnerabilidade. Para esta categoria, serão selecionadas 600 amostras da classe “Muito Baixa”, 300 da classe “Baixa” e 100 da classe “Moderada a Baixa”. Posteriormente, as amostras serão divididas em duas categorias, utilizando uma proporção de 70% para treinamento e 30% para teste, com o objetivo de preparar os dados para o treinamento e validação dos modelos de predição de vulnerabilidade ecoambiental à pressão humana direta.
