Aplicação de Machine Learning na gestão de risco de queda de árvores urbanas em Medianeira, Paraná

Abstract

A avaliação de risco arbóreo urbano é uma atividade essencial, porém complexa e morosa, o que dificulta a gestão eficiente das florestas urbanas. Esta pesquisa teve como objetivos desenvolver um modelo preditivo de Machine Learning (ML) para a classificação de risco de árvores e identificar as variáveis mais relevantes associadas à probabilidade de queda. Foram utilizados dados de 1.141 árvores de rua do município de Medianeira, Paraná, contemplando 33 variáveis dendrométricas, fitossanitárias e do entorno. O modelo foi implementado por meio do algoritmo XGBoost, otimizado pelo GridSearchCV, com abordagem híbrida de oversampling (SMOTE) e ponderação de classes. O modelo apresentou acurácia de 71% e alta precisão (94%) para a classe “Ruim”, evidenciando seu potencial como ferramenta de triagem. A análise de importância das variáveis indicou que combinações de sintomas fitossanitários — como galhos secos, presença de fungos e desequilíbrio de copa — são mais preditoras do risco do que variáveis dendrométricas isoladas. Conclui-se que o uso de ML na arborização urbana aprimora o diagnóstico e subsidia decisões técnicas baseadas em dados objetivos.

Palavras-chave: Avaliação de Risco; Floresta Urbana; Inteligência Artificial; XGBoost.