Predição de quedas de árvores urbanas por Machine Learning na cidade de São Paulo (SP)
DOI:
https://doi.org/10.5380/revsbau.v21.102115Abstract
O aumento na incidência de quedas de árvores nas cidades brasileiras, especialmente em metrópoles e grandes capitais como São Paulo, tem se tornado uma preocupação relevante em função das mudanças climáticas aliadas à crescente urbanização sem planejamento adequado. O objetivo foi desenvolver um modelo de machine learning para prever quedas de árvores e de suas partes (galhos) no ambiente urbano, por meio da integração de dados climáticos e históricos de ocorrências. Foram consideradas variáveis como precipitação e vento, a fim de identificar padrões de comportamento que permitam antecipar medidas preventivas, mitigando danos, prejuízos e acidentes, contribuindo para a segurança pública urbana. Ambas as variáveis apresentaram correlação positiva com as quedas, sendo que a precipitação teve maior influência. O Centro foi a área com maior concentração relativa (30,4 quedas/km²), apesar de possuir apenas 4,4% do total das quedas, possivelmente devido à maior densidade urbana, infraestrutura vulnerável e melhor documentação dos eventos. Modelos como esses poderão atuar em sistemas de alerta precoce, contribuindo para uma gestão mais eficaz e proativa da arborização urbana. Além de fundamentar políticas públicas sobre manejo arbóreo, auxiliam no planejamento de plantios futuros, promovendo modelos de gestão mais seguros e sustentáveis.
Palavras-chave: Aprendizado de máquina; Mapa de calor; Modelo preditivo, Mudanças climáticas.
References
AHMAD, K; KHARE, M.; CHAUDHRY, K.K. Wind tunnel simulation studies on dispersion at urban street canyons and intersections — a review. Journal of Wind Engineering and Industrial Aerodynamics, v. 93, n. 9, p. 697-717, 2005.
AMORIM, M.C.C.T. Ilhas de calor urbanas: métodos e técnicas de análise. Revista Brasileira de Climatologia, v. 15, p. 22-46, 2019.
AMORIM, M.C.C.T.; DUBREUIL, V.; AMORIM, A.T. Day and night surface and atmospheric heat islands in a continental and temperate tropical environment. Urban Climate, v. 38, p. 100918, 2021.
ARAÚJO, H.C.L.; MARTINS, F.S.; CORTESE, T.T.P.; LOCOSSELLI, G. M. Artificial intelligence in urban forestry — A systematic review. Urban Forestry & Urban Greening, v. 66, p. 127410, 2021.
BURDEN, D. Urban street trees: 22 benefits specific applications. Orlando: Glatting Jackson and Walkable Communities, Inc., 2006.
CAVALARI, A.A.; VELASCO, G.N.; SILVA-LUZ, C.L.; ROSA, A.S.; WAETGE, A.A.N.; BARBOSA, E.S.; BIAZZO, F.C.M.; KAVAMURA, H.E.; SILVA FILHO, C.A.; SILVA, E.B.F.B.; LOCOSSELLI, G.M. Predicting tree failure to define roles and guidelines in risk management, a case study in São Paulo / Brazil. Urban Forestry & Urban Greening, v. 91, p. 128181, 2024.
DABRAL, P.P.; MURRY, M.Z. Modelling and forecasting of rainfall time series using SARIMA. Environmental Processes, v. 4, n. 2, p. 399-419, 2017.
FÁVERO, L.P.; BELFIORE, P. Manual de Análise de Dados: Estatística e Modelagem Multivariada com Excel®, SPSS®, Stata® e Python®. 2.ed. Rio de Janeiro: LTC, 2024, 1288p.
FERNANDES, R.; NASCIMENTO, V.; FREITAS, M.; OMETTO, J. Local Climate Zones to identify surface urban heat islands: a systematic review. Remote Sensing, v. 15, n. 4, p. 884, 2023.
GEOSAMPA. Mapa digital da cidade de São Paulo. 2025. Disponível em: <https://geosampa.prefeitura.sp.gov.br/PaginasPublicas/_SBC.aspx>. Acesso em: 05 ago. 2025.
INDRESPUTRA, F.; ZULKARNAEN, R.N.; HARIRI, M.R.; WARDANI, F.F.; HUTABARAT, P.W.; SETYANTI, D.; PRATIWI, W.A.; RAHMANINGTIYAS, L. Prediction of susceptibility for old trees (> 100 years old) to fall in Bogor botanical garden. Indonesian Journal of Forestry Research, v. 10, n. 1, p. 1-19, 2023.
INSTITUTO NACIONAL DE METEOROLOGIA - Inmet. Portal de Dados Históricos. 2025. Disponível em: <https://bdmep.inmet.gov.br/>. Acesso em: 01 maio 2025.
JANOWIAK, M.K.; BRANDT, L.A.; WOLF, K.L.; BRADY, M.; DARLING, L.; LEWIS, A.D.; FAHEY, R.T.; GIESTING, K.; HALL, E.; HENRY, M.; HUGHES, M.; MIESBAUER, J.W.; MARCINKOWSKI, K.; ONTL, T.; RUTLEDGE, A.; SCOTT, L.; SWANSTON, C.W. Climate adaptation actions for urban forests and human health. Madison: Northern Research Station, 2021, 115p.
JODAS, D.S.; BRAZOLIN, S.; VELASCO, G.N.; LIMA, R.A.; YOJO, T.; PAPA, J.P. Urban tree failure probability prediction based on dendrometric aspects and machine learning models. Computers, Environment and Urban Systems, v. 108, p. 102074, 2024.
KABIR, E.; GUIKEMA, S.; KANE, B. Statistical modeling of tree failures during storms. Reliability Engineering & System Safety, v. 177, p. 68-79, 2018.
LOCOSSELLI, G.; MIYAHARA, A.A.L.; CERQUEIRA, P., BUCKERIDGE, M.S. Climate drivers of tree fall on the streets of São Paulo, Brazil. Trees, v. 35, n. 6, p. 1807-1815, 2021.
LOPES, A.; OLIVEIRA, S.; FRAGOSO, M.; ANDRADE, J.; PEDRO, P. Wind risk assessment in urban environments: The case of falling trees during windstorm events in Lisbon. In: STŘELCOVÁ, K.; MÁTYÁS, C.; KLEIDON, A.; LAPIN, M.; MATEJKA, F.; BLAŽENEC, M.; ŠKVARENINA, J.; HOLÉCY, J. (Org.). Bioclimatology and Natural Hazards. Dordrecht: Springer, 2009, p. 55–74.
MCPHERSON, E.G.; BERRY, A.M.; VAN DOORN, N.S. Performance testing to identify climate-ready trees. Urban Forestry & Urban Greening, v. 29, p. 28-39, 2018.
MENDES, F.H.; PIEDADE, S.M.S.; MENDES, L.G.; LOPES, A.M.S.; SILVA FILHO, D.F. Probabilidade de ocorrência de altas temperaturas do ar e chuvas intensas em Piracicaba/SP. Geografia em Atos (Online), v. 1, n. 9, p. 51-65, 2019.
MENDES, F.H.; PETEAN, F.C.S.; CORREIA, E.L.T.; LOPES. A Proximity-Based Approach for the Identification of Fallen Species of Street Trees during Strong Wind Events in Lisbon. Land, v. 13, n. 5, p. 708, 2024.
ROLNICK, D.; DONTI, P.L.; KAACK, L.H.; KOCHANSKI, K.; LACOSTE, A.; SANKARAN, K.;ROSS, A.S.; MILOJEVIC-DUPONT, N.; JAQUES, N.; WALDMAN-BROWN, A.; LUCCIONI, A.S.; MAHARAJ, T.; SHERWIN, E.D.; MUKKAVILLI, S.K.; KORDING, K.P.; GOMES, C.P.; NG, A.Y.; HASSABIS, D.; PLATT, J.C.; CREUTZIG, F.; CHAYES, J.; BENGIO, Y. Tackling climate change with machine learning. ACM Computing Surveys (CSUR), v. 55, n. 2, p. 1-96, 2022.
ROODBARAKY, H.J.; BAKER, C.J.; DAWSON, A.R.; WRIGHT, C.J. Experimental observations of the aerodynamic characteristics of urban trees. Journal of Wind Engineering and Industrial Aerodynamics, v. 52, p. 171-184, 1994.
SANCHES, R.G.; NEVES, G.Z.F.; SANTOS, B.C.; SILVA, M.S.D.; PEREIRA, D.N.B.; TECH, A.R.B. Intense Rainfall in São Carlos/SP: Determination of Threshold Values Using Climate Indices and Their Spatio-Temporal Repercussion. American Journal of Climate Change, v. 7, n. 3, p. 388-401, 2018.
SCHONS, C.T.; NOTHDURFT, A.; RITTER, T.; FLEIG, F.D. Climate sensitive tree growth modelling of Myrocarpus frondosus in Southern Brazil using tree-ring time series and distributed generalized additive lag models. Forestry: An International Journal of Forest Research, v. 98, n. 2, p. 278-292, 2025.
SRIVANIT, M.; KAEWKHOW, S. A machine learning-based protocol to support visual tree assessment and risk of failure classification on a university campus. Urban Forestry & Urban Greening, v. 99, p. 128420, 2024.
YANG, Z.; REN, W.; LIU, S.; WEI, H. Artificial intelligence in forest management and tree health protection. In: ASIEGBU, F.O.; KOVALCHUK, A. (Org.). Biotechnology Applications in Forestry: Forest Microbiology: Volume 4. San Diego: Academic Press, 2025. p. 433-446.
ZHOU, Z.; FU, J.; XIAO, Y. Risk of wind destruction to urban trees: Prediction workflow and relative importance of influencing factors. Sustainable Cities and Society, v. 112, p. 105600, 2024.
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Direitos Autorais para artigos publicados nesta revista são do autor, com direitos de primeira publicação para a revista. Com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution. Em virtude da aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais.
