Multiscaled walkability : exploring built environment using artificial intelligence

• Ano de defesa: 2023
• Autor(a) principal: Leão, Ana Luiza Favarão
• Orientador(a): Kanashiro, Milena
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Caminhabilidade; Ambiente construído; Aprendizado profundo; Google street view; Caminhabilidade - Múltiplas escalas - Paraná; Caminhabilidade - Ambiente construído - Paraná
• Área do conhecimento CNPq: Ciências Sociais Aplicadas - Arquitetura e Urbanismo
• Link de acesso: https://repositorio.uel.br/handle/123456789/18111

Caminhar é reconhecido há muito tempo na literatura científica como o modo de transporte mais equitativo e universalmente acessível nas cidades. É uma forma predominante de atividade física para adultos. A caminhabilidade descreve o grau em que um ambiente apoia e incentiva a caminhada. Tradicionalmente, esse atributo urbano tem sido quantificado usando índices, que são essencialmente equações ponderadas que encapsulam vários fatores de bairro em macroescala. No entanto, essas métricas muitas vezes negligenciam características de rua em microescala que afetam significativamente a caminhada, principalmente devido aos desafios da coleta de dados. Existe uma crescente necessidade de pesquisa sobre caminhabilidade em cidades brasileiras de médio a pequeno porte, dada a rápida crescimento populacional, disparidades sociais e a importância da caminhada como modo de transporte. Este estudo visa elucidar sobre a caminhabilidade em múltiplas escalas, atraves do desenvolvimento de modelos de caminhabilidade para cidades medias e pequnas do Brasil usando tecnicas de aprendizado profundo. A tese central postula que uma análise robusta de caminhabilidade em nível de bairro, para cidades brasileiras de médio a pequeno porte, pode ser desenvolvida usando técnicas de aprendizado profundo. Utilizando a metodologia de Pesquisa em Ciência do Design, três cidades de tamanhos variados no Paraná, Brasil - Rolândia, Cambé e Londrina - foram selecionadas como estudos de caso. Fatores de caminhabilidade em macroescala foram organizados em conjunto com características em microescala, extraídas do Google Street View usando um modelo de rede neural profunda para segmentação semântica. Os dados dessas cidades foram então avaliados usando três modelos de regressão multinível distintos: um focando apenas em fatores em microescala, outro em fatores em macroescala, e um modelo compreensivo em múltiplas escalas abrangendo variáveis de ambas as escalas. A variável de resposta primária foi o modo de transporte - caminhar versus outros - com variáveis sociodemográficas consideradas como covariáveis. Esses dados foram obtidos do Plano de Mobilidade das respectivas cidades. As descobertas revelaram padrões variados nas três cidades. Em Rolândia, a menor cidade analisada, fatores como a presença de muros e indivíduos em bicicletas ou motocicletas foram vistos como promotores da caminhada. Por outro lado, sinalizações urbanas, como postes e semáforos, desencorajavam a caminhada. Em Cambé, de tamanho intermediário, a presença de terrenos vagos e espaços verdes estava associada a uma redução na caminhada. Em Londrina, a maior cidade considerada neste estudo, uma combinação de fatores micro e macro influenciou o comportamento da caminhada. A disponibilidade de calçadas e o uso diversificado do uso do solo incentivaram a caminhada, enquanto uma maior presença de estradas e áreas verdes estava negativamente associada à caminhada. Esses resultados ampliam nosso entendimento sobre caminhabilidade e podem informar futuros esforços de planejamento urbano. Ao focar nessas abordagens, os formuladores de políticas podem elaborar políticas urbanas específicas ao contexto para promover a caminhada, combinando estratégias baseadas em evidências.