Skip navigation
Please use this identifier to cite or link to this item: http://repositorio.unb.br/handle/10482/48259
Files in This Item:
File Description SizeFormat 
NajlaVilarAiresDeMoura_TESE.pdf2,41 MBAdobe PDFView/Open
Title: Desenvolvimento de metodologia para detecção de vazamentos de óleo no mar utilizando inteligência artificial
Authors: Moura, Nájla Vilar Aires de
Orientador(es):: Carvalho Júnior, Osmar Abílio de
Assunto:: Sensoriamento remoto
Deep learning
Gestão ambiental
Monitoramento
Issue Date: 13-Jun-2024
Citation: MOURA, Nájla Vilar Aires de. Desenvolvimento de metodologia para detecção de vazamentos de óleo no mar utilizando inteligência artificial. 2023. 88 f., il. Tese (Doutorado em Geografia) — Universidade de Brasília, Brasília, 2023.
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.
Abstract: Oil spills at sea are great public concern because they represent risks to the environment, to the coastal population, in addition to significant economic losses. With the growth of oil exploration and the movement of ships, the possibility of accidents increases. In this context, remote sensing is an indispensable technology for detecting and monitoring oil slicks on the sea surface. This thesis aims to analyze how the environmental management of accidents involving oil spills at sea in Brazil is carried out, its legal instruments and government programs, as well as to analyze the use of remote sensing and propose a methodology for detecting oil slicks based on artificial intelligence techniques (deep learning). For this, the work brings a review of recent research developed in the detection of oil leaks using satellite images. At this stage, the Synthetic Aperture Radar (SAR) stood out as the most used sensor, as it is efficient even with the presence of clouds and at night. Based on this observation, we used a time series of images from the Sentinel-1 satellite, equipped with SAR, as input for the creation of a database on oil spills that occurred in the Campos Basin, on the coast of southeastern Brazil, comparing different models of deep machine learning. The study verified that of the three semantic segmentation architectures (U-net, DeepLabv3+ and LinkNet) with four backbones (ResNet101, ResNet-50, Efficient-net-B0 and Efficient-net-B3), resulting in 12 models, the that obtained the best result was the U-net with the Efficient-net-B3 backbone (98% accuracy, 75% precision, 78% recall, 76% F-score and 62% IoU). In addition, the recurrence analysis detected the areas most susceptible to leaks and was able to eliminate look-alike.
metadata.dc.description.unidade: Instituto de Ciências Humanas (ICH)
Departamento de Geografia (ICH GEA)
Description: Tese (doutorado) — Universidade de Brasília, Instituto de Ciências Humanas, Departamento de Geografia, Programa de Pós-Graduação em Geografia, 2023.
metadata.dc.description.ppg: Programa de Pós-Graduação em Geografia
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Appears in Collections:Teses, dissertações e produtos pós-doutorado

Show full item record " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/48259/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.