Cindy Fernandes Mendes, Veraldo Liesenberg
Doenças transmitidas por mosquitos representam um desafio crescente para a saúde pública, especialmente em áreas urbanas, onde o *Aedes aegypti* encontra condições favoráveis para reprodução. Entre os possíveis criadouros, piscinas sem manutenção podem acumular água e contribuir para a proliferação do vetor da dengue. Neste estudo, avaliou-se o uso de imagens obtidas por aeronave remotamente pilotada e técnicas de Deep Learning para a detecção automática de piscinas urbanas no bairro São Sebastião, em Lages, Santa Catarina. Foi utilizado o modelo Segment Anything Model, implementado por meio da ferramenta SamGeo, em seu modo de segmentação por texto. Foram testados os prompts “pool” e “dirty pool”, e os resultados foram comparados com máscaras de referência vetorizadas manualmente em ambiente GIS. O prompt “pool” apresentou melhor desempenho, com precisão de 94%, comissão de 6% e IoU de 52%, embora tenha apresentado alta omissão, associada principalmente a piscinas cobertas. Já o prompt “dirty pool” apresentou baixa precisão e elevada comissão, confundindo piscinas com córregos e estradas não pavimentadas. Os resultados indicam que o SAM Text pode auxiliar na triagem de áreas prioritárias para vistoria, embora novos testes sejam necessários.