Do CIATA ao CTM: georreferenciamento de cadastros alfanuméricos

Abstract

O georreferenciamento de parcelas urbanas é essencial para a gestão municipal, apoiando o planejamento urbano, a regularização fundiária e a segurança jurídica. Apesar desses benefícios, a cobertura de georreferenciamento nos municípios brasileiros é limitada: em 2019, apenas 21% possuíam uma base cadastral georreferenciada. Diante dessa lacuna, este trabalho propõe uma metodologia baseada no modelo Fit-For-Purpose para a espacialização da malha fundiária em larga escala. A abordagem integra dados do cadastro textual municipal, da base colaborativa OpenStreetMap e do Cadastro Nacional de Endereços para Fins Estatísticos (CNEFE) ? base de dados georreferenciada do Instituto Brasileiro de Geografia e Estatística que reúne o inventário de endereços de todo o território nacional. A aplicação do método resultou em um percentual de vinculação automatizada de 55% das quadras entre os domínios do cadastro textual e do CNEFE. Para a validação da acurácia, realizou-se uma análise em 16 das 84 quadras da área de estudo, totalizando 64 faces de quadra. Os indicadores demonstraram que 93,8% das amostras apresentam erro posicional inferior a 5 metros, acurácia suficiente para o planejamento urbano em escala macro e para o cumprimento de exigências governamentais, como o Sistema Nacional de Gestão de Informações Territoriais (SINTER). Além disso, a identificação de divergências atua como ferramenta de diagnóstico, revelando lacunas na integridade das bases utilizadas. Por fim, a estruturação dos registros resultou em um banco de dados geoespaciais apto a subsidiar futuras aplicações de deep learning para a automação e o refinamento da classificação de padrões urbanos.

Abstract: The georeferencing of urban parcels is essential for municipal management, supporting urban planning, land regularization, and legal certainty. Despite these benefits, georeferencing coverage in Brazilian municipalities is limited: in 2019, only 21% possessed a georeferenced cadastral base. Given this gap, this work proposes a methodology based on the Fit-For-Purpose model for large-scale spatialization of the land mesh. The approach integrates data from the municipal textual cadastre, the OpenStreetMap collaborative base, and the National Address Directory for Statistical Purposes (CNEFE) ? an IBGE georeferenced database that gathers the address inventory for the entire national territory. The application of the method resulted in an automated linking rate of 55% of the blocks between the textual cadastre and CNEFE domains. To validate accuracy, an analysis was conducted on 16 of the 84 blocks in the study area, totaling 64 block faces. The indicators demonstrated that 93.8% of the samples present a positional error of less than 5 meters, an accuracy sufficient for macro-scale urban planning and for meeting government requirements, such as SINTER. Furthermore, the identification of discrepancies acts as a diagnostic tool, revealing gaps in the integrity of the databases used. Finally, the structuring of the records resulted in a geospatial database suitable for subsidizing future deep learning applications for the automation and refinement of urban pattern classification.