Enriquecendo bases de dados geoespaciais oficiais: uma abordagem híbrida para integração de topônimos colaborativos validados com inteligência artificial

Os nomes de lugares, ou topônimos, são centrais para identificação e comunicação do espaço geográfico e para produtos cartográficos, sistemas de informação e serviços baseados em localização. No entanto, a atualização de bases toponímicas oficiais é um desafio: a reambulação, método tradicional de coleta de nomes em campo, é demorada e onerosa, tornando difícil manter dados completos e atuais em países de grande extensão territorial e recursos limitados, como o Brasil. Essa limitação resulta em lacunas e desatualização que afetam tanto a qualidade de dados geoespaciais fundamentais quanto sua utilização em planejamento e políticas públicas. Em contrapartida, plataformas de mapeamento colaborativo, como o OpenStreetMap (OSM), oferecem um fluxo contínuo e dinâmico de topônimos baseados no conhecimento local de voluntários. Contudo, a integração confiável desses dados em produtos oficiais carece de métodos sistemáticos para avaliar qualidade e validade semântica, reduzindo o potencial de aproveitamento desse recurso. Diante desse cenário, esta tese propõe uma metodologia híbrida para enriquecer bases de dados geoespaciais oficiais por meio da priorização, validação e integração verificável de topônimos colaborativos do OSM, combinando análise de qualidade intrínseca com validação extrínseca apoiada em Inteligência Artificial (IA). Esta pesquisa teve por objetivo desenvolver e aplicar essa abordagem de forma reprodutível e em diferentes contextos urbanos. Metodologicamente, o percurso começou com um diagnóstico da Infraestrutura Nacional de Dados Espaciais (INDE) frente aos temas globais de dados geoespaciais fundamentais da UN-GGIM, identificando lacunas de completude e atualização que fundamentaram a necessidade de incorporar novas fontes. Em seguida, desenvolveu-se um framework de código aberto capaz de processar o histórico de edições do OSM em grades regulares, extrair informações toponímicas e relacioná-las a indicadores intrínsecos de qualidade, evidenciando padrões espaciais de contribuição. Na sequência, foi criada uma abordagem de validação extrínseca com IA, baseada na análise de imagens ao nível de rua de plataformas como Mapillary e Google Street View (GSV), com técnicas de detecção de texto (YOLO) e reconhecimento óptico de caracteres (Keras-OCR) para extrair evidências visuais, consolidadas pelo Índice de Validação de Topônimos Colaborativos por Evidências Acumuladas (ICTVAE). A integração dessas etapas resultou em um processo unificado, aplicado no município de Belo Horizonte (MG), produzindo um dataset toponímico enriquecido com 937 nomes validados e demonstrando ganhos quantitativos mensuráveis, como aumento de 81,9% na cobertura de nomes em relação à base oficial. Os resultados indicam viabilidade, escalabilidade e reprodutibilidade da metodologia proposta, ainda que o trabalho também evidencia limitações importantes, incluindo cobertura desigual e heterogênea das imagens ao nível de rua, vieses e lacunas herdados da própria comunidade OSM, além de desafios inerentes à ambiguidade semântica de nomes e à heterogeneidade de fontes oficiais. Essas restrições indicam a necessidade de ajustes contextuais e reforçam que a adoção prática da metodologia deve considerar disponibilidade de dados, qualidade das fontes externas e padrões institucionais de cada país. Conclui- se que a abordagem híbrida oferece uma solução documentada e replicável para à integração segura e transparente de informações colaborativas em bases geoespaciais oficiais. Palavras-chave: Topônimos; Nomes geográficos; OpenStreetMap; VGI; Inteligência Artificial; imagens ao nível de rua.

Grantor dc:publisher

Universidade Federal do Paraná

Year dc:date.issued

2025

Author dc:creator

• Nunes, Darlan Miranda

Advisor dc:contributor.advisor

• Camboim, Silvana Philippi

• Nomes geográficos
• Mapeamento digital
• Inteligência artificial

Statement dc:rights

• Acesso Aberto

Language dc:language.iso

por

Repository record dc:identifier.uri

https://locus.ufv.br/handle/123456789/34931

OAI identifier oai:identifier

oai:locus.ufv.br:123456789/34931