MACHINE LEARNING PARA A ACESSIBILIZAÇÃO DE ANÁLISES EM ESCALA URBANA

Resumo

É proposta, neste trabalho, a implementação de Machine Learning para a simplificação e acessibilização da obtenção de resultados de análises complexas, mais especificamente na avaliação do conforto térmico em escala urbana. A complexidade da relação estabelecida entre o planejamento, a forma da cidade e as condições de clima torna necessário o uso de estratégias em análise e produção do espaço urbano que muitas vezes excede o arcabouço teórico e técnico do planejador. Pensar o trade-off entre precisão e velocidade dos métodos aplicados se faz importante para a construção de ferramentas que sejam não apenas potentes, mas que facilitem a ação rápida e constante dos profissionais de planejamento. Para a estimativa de resultados de análises de conforto térmico na escala da cidade, o método proposto substitui cálculos de geometria solar e simulações de fluidodinâmica computacional por modelos simplificados obtidos através de redes neurais artificiais, treinados com dados sobre a densidade de diferentes níveis de agregação urbana obtidos através de um sistema de informação geográfica (SIG) e modelador paramétrico em plataforma de desenho assistido por computador (CAD). De uma perspectiva tecnológica, política e ambiental, a proposta visa, através da construção da informação, melhorar a compreensão das implicações que as edificações trazem ao ambiente urbano e contribuir com a produção da cidade contemporânea.