Planejamento urbano inteligente

Uma Revisão Sistemática de modelos preditivos de uso e ocupação urbano

Resumo

Objetivo – Este estudo tem como objetivo realizar uma revisão sistemática da literatura sobre o uso de softwares, aplicativos e modelos de predição aplicados ao planejamento urbano. A pesquisa busca identificar como o geoprocessamento e o aprendizado de máquina têm sido integrados para otimizar a gestão territorial, melhorar a eficiência das políticas públicas e promover o desenvolvimento sustentável em contextos urbanos.

Metodologia – A pesquisa adotou a metodologia de revisão sistemática da literatura, baseada em um protocolo rigoroso para identificação, seleção e análise de publicações científicas. O processo incluiu: (i) formulação da questão de pesquisa; (ii) definição de critérios de inclusão e exclusão; (iii) seleção e análise de artigos completos em bases de dados como CAPES, Web of Science e Scopus; (iv) avaliação da qualidade dos estudos; e (v) síntese e disseminação dos resultados. O recorte temporal abrange publicações entre 2015 e 2025, com foco na aplicação de geoprocessamento e aprendizado de máquina ao planejamento urbano.

Originalidade/relevância – O estudo preenche uma lacuna teórica ao integrar de forma sistemática o uso de geotecnologias e aprendizado de máquina no planejamento urbano, destacando aplicações inovadoras em diferentes contextos. A relevância acadêmica está na consolidação do conhecimento existente, na identificação de tendências emergentes e na proposição de novas direções para pesquisas futuras. A escassez de estudos que abordem essas tecnologias de forma integrada em contextos urbanos complexos evidencia o ineditismo da pesquisa.

Resultados – Os principais achados indicam que a combinação de geoprocessamento e aprendizado de máquina aprimora significativamente a capacidade preditiva no planejamento urbano. Estudos revisados demonstram melhorias na gestão de riscos ambientais, acessibilidade a serviços públicos, otimização da infraestrutura de transporte e análise de padrões demográficos e socioeconômicos. A integração dessas tecnologias facilita a identificação de áreas de risco, lacunas de infraestrutura e oportunidades de desenvolvimento sustentável.

Contribuições teóricas/metodológicas – A pesquisa demonstra como modelos preditivos baseados em aprendizado de máquina podem ser integrados a análises espaciais para aprimorar a compreensão das dinâmicas urbanas. Metodologicamente, destaca o uso de técnicas avançadas, como o AHP e algoritmos de clustering, que ampliam a precisão das análises espaciais e fortalecem a formulação de políticas públicas baseadas em dados.

Contribuições sociais e ambientais – A pesquisa indica que a aplicação de geotecnologias e aprendizado de máquina pode melhorar a equidade no acesso a serviços públicos essenciais, como saúde e educação, além de apoiar políticas que promovam a inclusão social e a redução de desigualdades. Ambientalmente, essas ferramentas auxiliam na gestão sustentável dos recursos naturais, mitigação de desastres ambientais e no planejamento de cidades mais resilientes às mudanças climáticas. O estudo destaca a importância da governança baseada em dados para promover um desenvolvimento urbano mais justo, inclusivo e sustentável.