Desenvolvimento de metodologia para detecção de vazamentos de óleo no mar utilizando inteligência artificial

Abstract

Vazamentos de óleo no mar são de grande preocupação pública por representarem riscos para o meio ambiente, para a população costeira, além de perdas econômicas significativas. Com o crescimento da exploração do petróleo e da movimentação de navios aumenta a possibilidade de acidentes. Neste contexto, o sensoriamento remoto é uma tecnologia indispensável para a detecção e monitoramento das manchas de óleo na superfície marítima. A presente tese tem como objetivo analisar como é feita a gestão ambiental dos acidentes envolvendo vazamentos de óleo no mar no Brasil, seus instrumentos legais e programas de governo, bem como analisar o uso do sensoriamento remoto e propor uma metodologia de detecção de manchas de óleo a partir de técnicas de inteligência artificial (deep learning). Para isso, o trabalho traz uma revisão das pesquisas recentes desenvolvidas na detecção de vazamentos de óleo com o uso de imagens de satélite. Nessa etapa, o Radar de Abertura Sintética (SAR) destacou-se como o sensor mais usado, por ser eficiente mesmo com a presença de nuvens e no período noturno. A partir dessa constatação, utilizou uma série temporal de imagens do satélite Sentinel-1, equipado com SAR, como insumo para a criação de um banco de dados sobre derramamentos de óleo ocorridos na Bacia de Campos, litoral do Sudeste brasileiro, comparando diferentes modelos de aprendizado de máquina profundo (deep learning). O estudo verificou que das três arquiteturas de segmentação semântica (U-net, DeepLabv3+ e LinkNet) com quatro backbones (ResNet-101, ResNet-50, Efficient-net-B0 e Efficient-net-B3), resultando em 12 modelos, a que obteve o melhor resultado foi a U-net com o backbone Efficient-net-B3 (98% de acurácia, 75% de precisão, 78% de rechamada, 76% de F-score e 62% de IoU). Além disso, a análise de recorrência detectou as áreas mais suscetíveis à ocorrência de vazamentos e foi capaz de eliminar falsos-positivos.