Predição de classes sociais com modelos de aprendizado profundo a partir de imagens de satelité e dados de renda do censo

Abstract

As pesquisas socieconômicas que coletam informações sobre renda ou situação econômica das famílias no território brasileiro são pesquisas custosas e que demandam tempo para se realizar, por exemplo, o Censo Demográfico brasileiro são realizadas a cada 10 anos, no mínimo, o que pode tornar as formulações de políticas públicas não eficientes visto que, nos últimos anos, é notório um crescimento populacional significativo nas cidades. Contudo, o presente trabalho tem o objetivo de estudar e analisar a possibilidade de classificar as áreas das cidades de Manaus (AM) e São Paulo (SP) entre as classes sociais por meio de modelos de aprendizado profundo com imagens de satélite das cidades e dados de renda do último Censo Demográfico disponível. Para isso, foram coletadas as imagens de satélites de cada cidade e, a partir de dados de renda do Censo 2010, classificá-las entre as classes sociais A, B, C, D e E, com isso, foi treinado modelos de Visão Computacional para problemas de classificação com a arquitetura EfficientNetV2 utilizando a técnica do transfer learning para o treinamento. Por fim, obteve-se 16 modelos de aprendizado profundo sendo 8 da cidade de Manaus e 8 da cidade de São Paulo, porém, os 2 melhores modelos de Manaus obtiveram o F1-Score de 0, 66 para o Modelo 1 e 0, 48 para o Modelo 2, enquanto que os 2 melhores modelos de São Paulo obtiveram resultados de F1-Score 0, 53 para o Modelo 1 e 0, 58 para o Modelo 2.