58 59 INEWS 64 - A revista do INE INEWS 64 - A revista do INE Avaliação dos resultados Para efeitos de avaliação, foi selecionado um conjunto de teste composto por dez imagens distribuídas pelo território continental, não utilizadas no treino (imagens não rotuladas), ou seja, que ainda não foram “aprendidas” pelo modelo. As delimitações de referência (polígonos de edifício) - foram digitalizadas manualmente, garantindo uma base rigorosa de comparação como base de validação (Figura 3). Figura 3. Exemplo de ortofotomapa com edifícios digitalizados manualmente para servir como base de validação Os modelos foram avaliados com base em métricas padronizadas: Average Precision (AP), Recall, F1 Score e Intersection over Union (IoU). O Mask R-CNN apresentou uma precisão consistente entre 81% e 94%, com melhor desempenho em áreas heterogéneas. O SAM revelou valores de precisão entre 79% e 93%, destacando-se em zonas mais densas e homogéneas, embora com maior variação nos resultados. A métrica de Recall demonstrou que o Mask R-CNN conseguiu detetar uma maior proporção de edifícios reais, com valores entre 64% e 86%, enquanto o SAM apresentou valores entre 36% e 78%, indicando maior tendência para omitir edifícios. O F1 Score, que equilibra Precisão e Recall, reforçou a robustez do Mask R-CNN, que variou entre 0,73 e 0,88. O SAM, apesar de competitivo em algumas imagens, apresentou maior variação (0,50 a 0,85). Tabela1. Resultados comparativos entre Mask R-CNN e SAM em diferentes Ortofotopamapas: precisão (AP), recall, F1 Score e IoU A análise de IoU revelou uma ligeira tendência regional: os modelos apresentaram melhor desempenho no norte de Portugal continental (IoU entre 0,71 e 0,75 no Mask R-CNN, e até 0,82 no SAM), enquanto na região sul os valores foram mais baixos, refletindo maior complexidade urbana e possíveis variações na qualidade de imagem (Tabela 1).
RkJQdWJsaXNoZXIy MjM5MTA=