Resumo: A intensificação da urbanização nas últimas décadas, especialmente em países em transição, tem promovido profundas transformações nos ecossistemas urbanos, comprometendo a qualidade ambiental e a resiliência climática das cidades. Diante desse cenário, cresce o interesse por soluções baseadas na natureza, como as Infraestruturas Verdes, que se configuram como estratégias do planejamento urbano voltadas à provisão de Serviços Ecossistêmicos, especialmente os de regulação climática e da qualidade do ar. No entanto, a quantificação espacialmente desses serviços ainda representa um desafio, em razão da escassez de dados padronizados, da complexidade dos processos ecológicos e da dependência de avaliações por especialistas. Esta dissertação tem como objetivo quantificar os serviços ecossistêmicos de regulação fornecidos por infraestruturas verdes no município de Campinas/SP, na região Sudeste do Brasil, por meio de sensoriamento remoto, análises espaciais e técnicas de aprendizado de máquina. A metodologia foi estruturada em três etapas principais: (i) revisão sistemática da literatura, baseada no protocolo PRISMA 2020, para identificar métodos de quantificação de serviços ecossistêmicos; (ii) seleção das áreas de estudo e dos períodos sazonais representativos; e (iii) avaliação dos serviços ecossistêmicos a partir de dados secundários (imagens orbitais e dados ambientais de temperatura e qualidade do ar), associada ao desenvolvimento de um modelo de regressão com Redes Neurais Convolucionais (arquitetura U-Net) para estimar a temperatura da superfície terrestre. Com base em análises estatísticas, foram definidos dois períodos sazonais representativos entre 2019 e 2024: frio (abril a setembro) e quente (outubro a março), que orientaram todas as etapas posteriores do estudo. Essa divisão permitiu identificar padrões temporais consistentes, evidenciando a influência direta da variação climática sobre a regulação ambiental promovida pela vegetação urbana. Observou-se correlação negativa significativa entre NDVI e poluentes atmosféricos, especialmente para o MP10, que apresentou coeficientes de até -0,80 no entorno do Parque Portugal (Lagoa do Taquaral), indicando maior potencial de remoção de material particulado em áreas mais vegetadas. A análise espacial reforçou essa tendência também para a temperatura da superfície terrestre: áreas com maior cobertura vegetal, como a Mata de Santa Genebra e a Fazenda Argentina, registraram NDVI médio entre 0,52 e 0,62 e LST média de 29 °C a 38 °C, enquanto regiões densamente urbanizadas e o próprio Parque Portugal apresentaram NDVI médio entre 0,33 e 0,39 e LST de até 41 °C. Nessas áreas, a variação sazonal atingiu 11 °C, revelando maior amplitude térmica anual e confirmando a função reguladora das infraestruturas verdes. Em relação ao modelo preditivo, foi alcançado um erro quadrático médio de 4,18 °C na estimativa da LST, demonstrando aplicabilidade na simulação de cenários de infraestrutura verde. Os métodos empregados mostraram-se replicáveis ao integrar dados de sensoriamento remoto e técnicas avançadas de modelagem. Essa abordagem reduz a subjetividade na quantificação dos serviços ecossistêmicos e fornece subsídios relevantes para o planejamento urbano sustentável e o monitoramento ambiental Ver menos

Abstract: The intensification of urbanization in recent decades, especially in countries in transition, has driven profound transformations in urban ecosystems, compromising both environmental quality and the climate resilience of cities. In this context, interest has grown in nature-based solutions, such as Green Infrastructure, which serve as urban planning strategies aimed at providing Ecosystem Services, particularly those related to climate regulation and air quality. However, the spatial quantification of these services remains a challenge due to the scarcity of standardized data, the complexity of ecological processes, and the reliance on expert-based assessments. This dissertation aims to quantify the regulating ecosystem services provided by green infrastructure in the municipality of Campinas, São Paulo State, Brazil, through remote sensing, spatial analyses, and machine learning techniques. The methodology was structured in three main stages: (i) a systematic literature review, following the PRISMA 2020 protocol, to identify methods for quantifying ecosystem services; (ii) selection of study areas and representative seasonal periods; and (iii) assessment of ecosystem services using secondary data (satellite imagery and environmental data on temperature and air quality), combined with the development of a regression model based on Convolutional Neural Networks (U-Net architecture) to estimate Land Surface Temperature. Based on statistical analyses, two representative seasonal periods between 2019 and 2024 were defined: cool (April to September) and hot (October to March), which guided all subsequent steps of the study. This division enabled the identification of consistent temporal patterns, highlighting the direct influence of climatic variation on the environmental regulation provided by urban vegetation. A significant negative correlation was observed between NDVI and air pollutants, particularly PM10, which presented coefficients of up to -0.80 around Parque Portugal (Lagoa do Taquaral), indicating a higher potential for particulate matter removal in more vegetated areas. Spatial analysis reinforced this trend for land surface temperature as well: areas with higher vegetation cover, such as the Santa Genebra Forest and the Fazenda Argentina, recorded mean NDVI values between 0.52 and 0.62 and mean LST ranging from 29 °C to 38 °C, while densely urbanized regions and Parque Portugal itself showed mean NDVI values between 0.33 and 0.39 and LST reaching up to 41 °C. In these areas, seasonal variation reached 11 °C, revealing greater annual thermal amplitude and confirming the regulating role of green infrastructure. Regarding the predictive model, a mean square error of 4.18 °C was obtained for LST estimation, demonstrating applicability in simulating green infrastructure scenarios. The methods employed proved to be replicable by integrating remote sensing data with advanced modeling techniques. This approach reduces subjectivity in the quantification of ecosystem services and provides relevant support for sustainable urban planning and environmental monitoring Ver menos