Aprendizado de máquina aplicado à detecção de navios e derramamento de óleo ao mar via satélites ópticos e SAR: uma perspectiva para a vigilância automatizada das águas brasileiras

1. RESUMO 

Este estudo propõe uma abordagem inovadora para a vigilância das Águas Jurisdicionais Brasileiras, visando a detecção de navios e vazamentos de óleo através da integração de técnicas de aprendizado de máquina com imagens de satélite SAR e óptico. A metodologia empregada envolveu a coleta e processamento de dados de imagens de satélite, o desenvolvimento de algoritmos especializados e a avaliação do desempenho dos modelos propostos. Os resultados obtidos demonstram uma alta precisão na detecção de navios e derramamentos de óleo, destacando a eficácia da abordagem proposta. Esses resultados sugerem que a integração de aprendizado de máquina com imagens de satélite pode fornecer uma ferramenta poderosa para a vigilância marítima automatizada, com potenciais implicações para a segurança nacional e a proteção ambiental. No entanto, é necessário considerar melhorias futuras, especialmente na qualidade das imagens de satélite SAR, em ordem de aprimorar a eficiência e confiabilidade dos sistemas de vigilância marítima.

Palavras-chave: Aprendizado de Máquina. Vigilância Marítima. Detecção de Navios. Derramamento de Óleo. Radar de Abertura Sintética. Imagens de Satélites.

2. INTRODUÇÃO

As Águas Jurisdicionais Brasileiras desempenham um papel de suma importância no contexto nacional, representando não apenas uma extensão territorial, mas também um recurso estratégico vital para o Brasil. Conhecidas como Amazônia Azul, essas águas abrigam uma riqueza incomparável de recursos naturais, incluindo petróleo, gás natural e uma biodiversidade marinha exuberante, fundamentais para a segurança energética, econômica e ambiental do país (Medeiros, 2008). Diante dessa perspectiva, é imprescindível compreender e proteger adequadamente esse patrimônio marítimo, o que demanda não apenas políticas e regulamentações eficazes, mas também sistemas de vigilância robustos e tecnologicamente avançados (Inácio, 2009).

A análise de Burger (1994) sobre o impacto devastador de vazamentos de óleo no Porto de Nova York ressalta os consideráveis danos ambientais que podem afetar ecossistemas sensíveis, destacando a urgência de medidas eficazes de vigilância e resposta para mitigar tais incidentes e proteger o ambiente marinho. Da mesma forma, o trabalho de Lucas (2020) enfatiza a importância crítica da vigilância marítima na salvaguarda da segurança nacional, ao abordar as preocupações sobre a proteção da infraestrutura marítima vital para o comércio global. Assim, é ressaltada a necessidade premente de aprimorar os sistemas de inteligência, monitoramento e resposta para assegurar a segurança das águas jurisdicionais.

Nesse contexto, diante da crescente complexidade dos desafios enfrentados na vigilância das águas jurisdicionais brasileiras, impulsionados pela expansão das atividades marítimas e pela necessidade de proteger o meio ambiente marinho, surge a demanda por soluções inovadoras e eficazes. O governo brasileiro demonstra interesse no desenvolvimento de pesquisas na área, como evidenciado pelo Plano de Ações para a Neoindustrialização, com o objetivo de fomentar a criação de tecnologias de interesse para a soberania e defesa nacionais (MINISTÉRIO DO DESENVOLVIMENTO, 2024).

Ao integrar algoritmos de inteligência artificial, como aprendizado de máquina, aos métodos tradicionais de vigilância, busca-se aprimorar a capacidade de detecção, permitindo uma resposta mais rápida e precisa a atividades suspeitas (VIKRAM, 2021). No entanto, é importante ressaltar que as imagens convencionais de satélite apresentam limitações em termos de penetração através de nuvens e escuridão, enquanto o Radar de Abertura Sintética (SAR) oferece vantagens significativas nesse aspecto (MAÎTRE, 2008). Portanto, a combinação de satélites ópticos e de abertura sintética, aliada ao aprendizado de máquina, emerge como uma abordagem promissora para a vigilância automatizada das águas jurisdicionais brasileiras, permitindo não apenas uma detecção mais eficiente, mas também a capacidade de identificar padrões e ameaças de forma automatizada, contribuindo para uma resposta ágil e precisa.

Esta pesquisa tem como objetivo principal fornecer análises e soluções práticas para os desafios enfrentados na vigilância das águas jurisdicionais brasileiras. Em particular, busca-se abordar a detecção de navios e derramamentos de óleo ao mar, com potencial para impactar positivamente a segurança nacional, a proteção ambiental e a gestão sustentável dos recursos marinhos, haja vista a necessidade de soluções eficientes que possam agilizar o reconhecimento de embarcações suspeitas e a detecção de incidentes de poluição marinha.

3. OBJETIVOS

Desenvolver um modelo abrangente de vigilância marítima utilizando técnicas de aprendizado de máquina e imagens de satélite SAR e óptico para o reconhecimento de navios e detecção de vazamentos de óleo, visando contribuir significativamente para a segurança nacional e a proteção do meio ambiente marinho.

3.1. Objetivos específicos

• Coletar e processar dados de imagens de satélite SAR e óptico, garantindo uma base de dados abrangente para análise.
• Desenvolver algoritmos de processamento de imagem especializados para identificação e classificação precisa de navios.
• Implementar e aprimorar técnicas avançadas de aprendizado de máquina para o reconhecimento automático de padrões associados a vazamentos de óleo.
• Avaliar a eficácia e a precisão do modelo desenvolvido por meio de testes e validações utilizando conjuntos de dados reais, contemplando tanto imagens de satélite SAR quanto óptico.
• Propor melhorias e recomendações específicas para o aprimoramento contínuo do modelo de vigilância marítima, visando sua implementação e utilização em larga escala nas Águas Jurisdicionais Brasileiras.

4. METODOLOGIA

Este estudo emprega uma abordagem quantitativa para avaliar a precisão do aprendizado de máquina na identificação de navios e derramamentos de óleo em imagens de satélite ópticas e de radar de abertura sintética (SAR). As informações foram obtidas por meio de imagens captadas pela constelações de satélites Dove e SkySat, disponibilizadas pela plataforma Planet (2024), assim como o estudo de Krestenitis et al. (2019), que aborda o mapeamento de derramamentos de óleo usando imagens de SAR, e Wei et al. (2020), do qual trata do processamento de imagens SAR para melhor resolução. Ferramentas de programação em Python para o aprendizado de máquina, como U-Net, YOLO e CNN, foram empregadas para desenvolver e implementar os algoritmos de aprendizado de máquina. A análise dos resultados foi conduzida utilizando a biblioteca Matplotlib. Este trabalho é caracterizado como um estudo de caso, onde os dados coletados são provenientes de pesquisas de campo. A aplicação de técnicas avançadas de aprendizado de máquina em imagens de satélite oferece a oportunidade de desenvolver modelos eficazes, dos quais fazem o reconhecimento de forma rápida e eficiente.

5. DESENVOLVIMENTO

5.1. Satélites e Captura de Imagens

Os satélites desempenham uma função crucial na obtenção de imagens da Terra através de sistemas de imagem avançados e telescópios especialmente projetados (LILLESAND, 2015). Esses sistemas incluem câmeras de varredura linear em sua órbita específica e telescópios que capturam luz refletida pela Terra em diversas bandas espectrais, como visível, infravermelho e térmico.

Figura 1: Satélites Constelação Dove

Estes satélites possuem câmeras usadas para capturar imagens, rodas de reação (reaction wheels) para controle de orientação, circuitos (circuitry) para coordenar operações, painéis solares (solar pannels) para energia e baterias (batteries) para períodos sem luz solar e antenas de rádio (radio antenna) permitem comunicação com a Terra,que com capacidades direcionais, podem varrer diferentes áreas.

Figura 2: Baía de São Francisco Capturada pela Constelação Dove

As imagens captadas, pelos satélites, são então processadas por sistemas especializados em solo, desempenhando um papel vital no monitoramento climático, previsão de eventos meteorológicos e estudo de mudanças ambientais globais.

5.2. Radar de Abertura Sintética (SAR)

Radar de Abertura Sintética (SAR) é uma tecnologia de sensoriamento remoto que emprega ondas de rádio para gerar imagens detalhadas da superfície terrestre. Diferentemente do sensoriamento óptico, o SAR é independente da luz solar direta e capaz de penetrar nuvens e outras obstruções atmosféricas.

Figura 3: Radar de Abertura Sintética em Satélites

O funcionamento de um satélite equipado com SAR envolve a emissão de pulsos de radar (incident radar pulse) em direção à superfície terrestre (ground targets) a partir de uma antena montada no mesmo (SAR antenna). Estes pulsos de radar são refletidos por objetos e terrenos na superfície (backscattered radar pulse), retornando à antena do satélite. Ao mensurar o tempo de ida e volta dos pulsos, juntamente com a posição do satélite, é possível determinar a distância e a localização dos objetos na superfície.

Figura 4: Imagem Capturada Através de Radar de Abertura Sintética

A alta resolução das imagens SAR é alcançada através da técnica de abertura sintética. Ao contrário das antenas de radar convencionais limitadas pelo tamanho, o SAR simula uma antena maior movendo-se em uma trajetória conhecida, criando uma abertura sintética equivalente a uma antena maior, resultando em maior resolução na imagem final.

5.3. Aprendizado de Máquina e Aplicação em Satélites

Aprendizado de Máquina é uma área da inteligência artificial que visa ensinar computadores a aprender com dados, reconhecendo padrões para fazer previsões ou tomar decisões, ao contrário da programação tradicional, onde seguem instruções específicas. (ZHOU, 2021). Já sendo amplamente aplicado na análise de imagens de satélites, segundo Hemanth (2020), essa abordagem é eficaz para processar e extrair informações úteis dessas imagens.

Algoritmos de aprendizado de máquina automaticamente aprendem características importantes em imagens de satélite, como formas, texturas e padrões. Sua automação permite o monitoramento em larga escala de mudanças na cobertura terrestre, detecção de mudanças ambientais e previsão de eventos naturais (OUCHRA et al, 2020).

5.4. Parâmetros da Programação

Ao desenvolver os códigos para detecção de navios em imagens de satélite, seja utilizando tecnologia SAR (Synthetic Aperture Radar) ou óptica, bem como para identificação de derramamentos de óleo ao mar com satélites SAR, adotou-se uma abordagem sistemática para atingir os objetivos específicos do trabalho.

Inicialmente, foram importadas as bibliotecas necessárias para processamento de dados e implementação dos modelos de detecção de objetos. Para a detecção de navios, foram utilizadas as bibliotecas PyLabel e Ultralytics para lidar com anotações de imagem e implementar o modelo YOLO (You Only Look Once), conhecido por sua eficácia em tempo real (JIANG et al, 2022). Para a detecção de derramamentos de óleo, a arquitetura U-Net foi adotada devido à sua eficácia comprovada em problemas de segmentação semântica (GUO et al, 2021).

Após a importação das bibliotecas, procedeu-se à visualização e pré-processamento  dos  dados, incluindo extração de imagens, conversão de anotações e organização dos conjuntos de treinamento e teste. Essas etapas foram cruciais para preparar os dados para treinamento dos modelos.

Figura 5: Dados Processados

Em seguida, foram definidas as arquiteturas dos modelos: YOLO para detecção de navios em SAR, CNN (convolutional neural network) para detecção de navios em tecnologia de satélites ópticos, e U-Net para detecção de derramamentos de óleo. Toda arquitetura foi definida com base na natureza dos dados que a mesma iria processar. Assim, foram configurados otimizadores, funções de perda e métricas de avaliação relevantes para suas respectivas tarefas.

Figura 6: Fluxograma do Processo de Desenvolvimento da Programação

Com o intuito de evitar o overfitting e ampliar a diversidade dos dados, foram aplicadas transformações aleatórias às imagens de entrada, como rotação, espelhamento, translação, mudanças na escala, entre outras. Ao introduzir essas variações nos dados de treinamento, o modelo é exposto a diferentes perspectivas das mesmas informações, o que ajuda a melhorar sua capacidade de generalização e a reduzir o overfitting, esta técnica é conhecida como data augmentation. Após o treinamento, os modelos foram avaliados utilizando conjuntos de teste e métricas de desempenho como precisão, recall e F1-score foram calculadas para avaliar sua eficácia na detecção de navios ou derramamentos de óleo.

Figura 7: Esquematização do Sistema Programado

Por fim, foram geradas visualizações dos resultados para permitir uma avaliação detalhada do desempenho dos modelos. Acompanhando tais métricas, torna-se possível, determinar a qualidade do aprendizado. Esses resultados foram essenciais para identificar áreas de melhoria e ajustes necessários visando aprimorar a precisão e o desempenho dos modelos em futuras iterações.

6. RESULTADOS

Para avaliar o desempenho dos modelos, as métricas desempenham um papel fundamental na análise da eficácia e precisão das soluções propostas. Precisão, recall e F1 Score fornecem uma medida abrangente do desempenho dos modelos, considerando tanto a capacidade de identificar corretamente os incidentes quanto a capacidade de minimizar falsos positivos e negativos.

Tabela 1: Desempenho dos Modelos

Para a detecção de derramamentos de óleo ao mar, o modelo alcançou uma precisão de 94.84%, recall de 95.33% e um F1 Score de 95%. Esses resultados destacam a eficácia do modelo na identificação precisa de incidentes de poluição marinha, fornecendo uma base sólida para uma resposta rápida e eficiente a tais eventos, minimizando assim os impactos ambientais.

Figura 8: Predição do modelo para detecção de óleo

No que diz respeito à detecção de navios por meio de imagens de satélite óptico, o modelo apresentou uma precisão de 97%, recall de 93%, e um F1-score de 95%. Esses resultados demonstram a capacidade do modelo em identificar embarcações com alta precisão, contribuindo para o monitoramento e controle do tráfego marítimo nas águas jurisdicionais brasileiras.

Figura 9: Predição do modelo para detecção de navio por imagens

Por fim, para a detecção de navios utilizando tecnologia SAR, o modelo atingiu uma precisão de 88.24% e recall de 76.83%. Embora os resultados mostrem uma menor taxa de recall em comparação com o modelo de detecção de navios por satélite óptico, ainda assim fornecem uma contribuição valiosa para a vigilância marítima, especialmente em condições adversas de visibilidade, onde o SAR oferece vantagens significativas.

Figura 10: Predição do modelo para detecção de navio por SAR

Os resultados validam a eficácia da abordagem proposta, que combina o uso de algoritmos de aprendizado de máquina com imagens de satélite SAR e óptico para a vigilância automatizada das águas jurisdicionais brasileiras. A precisão alcançada pelos modelos demonstra sua utilidade potencial na identificação precoce de atividades suspeitas, como vazamentos de óleo e navegação não autorizada, permitindo uma resposta rápida e eficaz para garantir a segurança e proteção do meio ambiente marinho.

7. CONSIDERAÇÕES FINAIS

A coleta e processamento de dados de imagens de satélite SAR e óptico foram realizados com sucesso, garantindo uma base de dados abrangente para análise. Isso permitiu a implementação e o treinamento de algoritmos de processamento de imagem especializados para a identificação e classificação precisa de navios. Da mesma forma, a implementação e o aprimoramento de técnicas avançadas de aprendizado de máquina para o reconhecimento automático de padrões associados a vazamentos de óleo foram bem-sucedidos, como evidenciado pelos resultados alcançados.

A avaliação da eficácia e precisão do modelo desenvolvido, contemplando conjuntos de dados reais de imagens de satélite SAR e óptico, revelou resultados promissores, destacando a utilidade potencial do modelo na detecção de navios e derramamentos de óleo. Assim, foi demonstrada a viabilidade e eficácia da integração de técnicas de aprendizado de máquina com imagens de satélite para a vigilância marítima. Isso pode ter implicações importantes para a segurança nacional, a proteção ambiental e a gestão sustentável dos recursos marinhos não apenas no Brasil, mas também em outras regiões costeiras do mundo.

Os menores índices de precisão, recall e F1 Score do modelo em SAR, em comparação com os modelos ópticos, destacam a necessidade de evolução do SAR para melhorar o reconhecimento de navios e derramamentos de óleo. Futuras melhorias devem incluir avanços na qualidade das imagens de satélite SAR e óptico, contribuindo para aprimorar os modelos de detecção. Com a melhoria da qualidade das imagens, o aprendizado de máquina será mais capaz de realizar reconhecimentos precisos, aumentando a eficiência dos sistemas de vigilância marítima automatizada.

8. FONTES CONSULTADAS

MEDEIROS, Jorge Luiz Mesquita. A Amazônia Azul e a geopolítica brasileira: a Marinha do Brasil na defesa da Amazônia Azul. 2008. Monografia (Curso de Estado-Maior para Oficiais Superiores) - Escola de Guerra Naval.

INÁCIO, Laerte. A Importância da Atuação da Marinha do Brasil na Vigilância e na Defesa dos Recursos Naturais Existentes na Amazônia Azul. 2009.

Monografia (Curso de Estado-Maior para Oficiais Superiores) - Escola de Guerra Naval.

BURGER, Joanna. Before and After an Oil Spill: The Arthur Kill. Nova Jersey: Rutgers University Press, 1994.

LUCAS, Edward. Maritime security : counter-terrorism lessons from maritime piracy and narcotics interdiction. Amsterdã: IOS Press, 2020.

MINISTÉRIO DO DESENVOLVIMENTO, INDÚSTRIA, COMÉRCIO E SERVIÇOS.

Nova Indústria Brasil é marco para a retomada do setor. Disponível em: https://www.gov.br/mdic/pt-br/assuntos/noticias/2024/janeiro/nova-industria-brasil-e- marco-para-a-retomada-do-setor. Acesso em: 01 fev. 2024.

VIKRAM, Bali. Industry 4.0, AI, and Data Science: Research Trends and Challenges. Flórida: CRC Press, 2021.

MAÎTRE, Henri. Processing of synthetic aperture radar (SAR) images. Nova Jersey: John Wiley & Sons, 2008.

PLANET. Daily Satellite Imagery and Insights. Disponível em: https://www.planet.com. Acesso em: 05 Fev. 2024.

KRESTENITIS, Marios et al. Oil spill identification from satellite images using deep neural networks. Remote Sensing, v. 11, n. 15, p. 1762, 2019.

WEI, Shunjun et al. HRSID: A high-resolution SAR images dataset for ship detection and instance segmentation. IEEE Access, v. 8, p. 120234-120254, 2020.

LILLESAND, Thomas; KIEFER, Ralph W.CHIPMAN, Jonathan. Remote sensing and image interpretation. Nova Iorque: John Wiley & Sons, 2015.

KINGSBURY, Ryan W. et al. Dove GPS: An Unconventional Approach to CubeSat Orbit Determination. Proceedings of the 32nd International Technical Meeting of the Satellite Division of The Institute of Navigation, p. 1157-1163, 2019.

CENTER FOR REMOTE IMAGING, SENSING AND PROCESSING. Principles of Remote Sensing. Disponível em: https://crisp.nus.edu.sg/~research/tutorial/mw.htm. Acesso em: 18 fev. 2024.

ZHOU, Zhi-Hua. Machine learning. Berlim: Springer nature, 2021.

HEMANTH, D. Jude. Artificial intelligence techniques for satellite image analysis. Berlim: Springer, 2020.

OUCHRA, Hafsa; BELANGOUR, Abdessamad; ERRAISSI, Allae. Machine learning for satellite image classification: A comprehensive review. 2022 International Conference on Data Analytics for Business and Industry (ICDABI). IEEE, p. 1-5. 2020

JIANG, Peiyuan et al. A Review of Yolo algorithm developments. Procedia computer science, v. 199, p. 1066-1073, 2022.

GUO, Changlu et al. Sa-unet: Spatial attention u-net for retinal vessel segmentation. 25th international conference on pattern recognition (ICPR). IEEE, p. 1236-1242. 2021.

Publicado por Mateus Barbosa Duarte, acadêmico do curso de Engenharia de Controle e Automação no Centro Universitário ENIAC.