Tutorial Completo de IA Geoespacial: Extração de Pegadas de Construção com U-Net, Grounding DINO e SAM

Um novo tutorial técnico apresenta um pipeline completo de aprendizado profundo geoespacial para extrair pegadas de edifícios de imagens aéreas de alta resolução. O workflow integra múltiplos modelos de visão computacional, incluindo U-Net com encoder ResNet-34 para segmentação semântica, bem como abordagens zero-shot com Grounding DINO e SAM, comparando resultados com Mask R-CNN para segmentação de instâncias. O pipeline cobre desde a preparação do ambiente geoespacial, download de dados NAIP e rótulos vetoriais, até criação de chips georeferenciados e máscaras de segmentação. O modelo U-Net é treinado com validação cruzada e early stopping, com métricas como IoU e F1 calculadas ao nível de pixels. A inferência em janela deslizante processa cenas não vistas, gerando rasters de predição e probabilidade. As máscaras preditas convertem-se em polígonos de edifícios limpos e regularizados, com cálculo de propriedades geométricas e comparação entre resultados brutos e ortogonalizados. O pipeline estende-se a dados do mundo real utilizando imagens NAIP do Microsoft Planetary Computer e rótulos do Overture Maps, demonstrando aplicabilidade prática em cenários de produção.