A expansão urbana acelerada intensificou processos de fragmentação da cobertura vegetal, impermeabilização do solo e desigualdades sociais, comprometendo serviços ecossistêmicos essenciais fornecidos pelas florestas urbanas. A monitorização do coberto por infraestruturas verdes torna-se assim fundamental no apoio a ações de arborização urbana, mitigação das ilhas de calor, promoção da conectividade ecológica e fortalecimento da resiliência climática das cidades. Nesse contexto, o uso integrado da deteção remota, computação em nuvem e algoritmos de aprendizagem apresenta elevado potencial para análises espaciais em larga escala aplicadas às florestas urbanas e ao planejamento territorial.

O presente estudo tem como objetivo avaliar o desempenho da integração multissensorial entre dados Sentinel-1 (SAR), Sentinel-2 (óptico) e NDVI na classificação supervisionada da cobertura do solo urbano em capitais brasileiras, utilizando o ambiente Google Earth Engine (GEE). A classificação foi realizada por meio do algoritmo Random Forest, considerando quatro classes temáticas principais: floresta urbana, cobertura herbácea, áreas aquáticas e edificadas. Foram avaliados sete tratamentos distintos (S1+S2+NDVI; S1+NDVI; S1+S2; NDVI; S2+NDVI; S2; S1), permitindo analisar o efeito da integração entre sensores ópticos, radar e índices espectrais sobre a acurácia do mapeamento. A validação estatística foi realizada por meio de matrizes de confusão e análise do índice Kappa de Cohen, variância do Kappa, erro-padrão e teste Z bicaudal.

Os resultados demonstraram superioridade do tratamento S1+S2+NDVI, que apresentou acurácia global de 88,89% e índice Kappa de 0,84. O cenário S1+NDVI apresentou desempenho semelhante, com acurácia de 88,33% e Kappa de 0,83, sem diferença estatisticamente significativa em relação ao tratamento principal. O tratamento S1+S2 alcançou acurácia de 87,22% e Kappa de 0,81, enquanto os tratamentos S2+NDVI e S2 apresentaram acurácia de 84,44% e Kappa de 0,77. O NDVI isolado alcançou acurácia de 85,56% e Kappa de 0,79. Em contraste, o tratamento baseado exclusivamente em dados SAR (S1) apresentou desempenho significativamente inferior, com acurácia de 58,33% e índice Kappa de 0,40.

Os resultados evidenciam que a integração multissensorial constitui uma estratégia robusta para o mapeamento da cobertura arbórea urbana em ambientes complexos e heterogêneos. Ficou demonstrado que as ambiguidades espectrais entre classes com vegetação e superfícies urbanizadas são baixas. Além de melhorar a precisão do mapeamento, a abordagem proposta fornece respostas credíveis para a monitorização da cobertura arbórea, avaliação da infraestrutura verde urbana, identificação de áreas prioritárias para arborização, mitigação de ilhas de calor e apoio à formulação de políticas públicas voltadas à sustentabilidade e resiliência das cidades.