-1iun5w7r1upgm.png)
Como o uso de drones e 'deep learning' podem ajudar na mitigação de derramamento de óleo em alto-mar e em ambientes marinhos costeiros
Sensores de imageamento hiperespectral (HSI) acoplados a drones são hoje uma das abordagens mais tecnológicas do monitoramento remoto de manchas de óleo vazado em alto-mar, e estimar a espessura do óleo é um dos principais desafios para mitigar danos em possíveis acidentes
Pesquisadores da Unicamp desenvolveram métodos inovadores para monitorar derramamentos de petróleo usando drones equipados com sensores hiperespectrais e modelos de inteligência artificial (deep learning 3D CNN). A abordagem supera a subjetividade visual tradicional ao estimar com alta precisão o volume, a espessura e a dispersão do óleo na água. Essa automação gera dados espaciais detalhados e rápidos, permitindo que órgãos ambientais agilizem ações de contenção em desastres marinhos.
Derramamentos de óleo podem atingir diferentes ambientes, espalhando-se rapidamente por oceanos, manguezais, praias ou rios. Esses eventos já se mostraram catastróficos para a biodiversidade marinha e costeira, levando à poluição das águas e à perda de milhares de seres vivos essenciais ao funcionamento ecológico e à economia. O conhecimento científico é um grande aliado na produção de meios com potencial de mitigar esses eventos, buscando reduzir seus danos, que podem ser imensuráveis.
A detecção e o monitoramento de derramamentos de petróleo em ambientes marinhos exigem ações rápidas para conter desastres ambientais e prejuízos econômicos. Estimar a espessura do óleo é um dos principais desafios para mitigar os danos.
-1iun5w7r1upgm.png)
A Organização Marítima Internacional reconhece o Código de Aparência do Óleo do Acordo de Bonn (BAOAC) como o método mais utilizado para classificar vazamentos de óleo em ambientes marinhos. O BAOAC, criado em 2004, é um sistema que correlaciona a aparência visual da mancha de óleo com a sua espessura.
Apesar da importância do BAOAC ao longo desses anos, novos métodos e tecnologias derivadas do Sensoriamento Remoto têm surgido para proporcionar maior cobertura espacial e maior precisão nas estimativas da espessura de óleo vazado em alto-mar e em ambientes costeiros.
Em 2022, pesquisadores(as) do Instituto de Geociências da Universidade Estadual de Campinas (IG/Unicamp) realizaram um experimento controlado de derramamento de petróleo num campo experimental da Universidade. Liderado pelo professor Carlos Roberto de Souza Filho, o objetivo do experimento foi simular vazamentos de óleo em alto-mar e em ambientes costeiros.
Desse experimento, surgiram dois estudos voltados ao monitoramento de derramamento de petróleo. Cada trabalho se dedicou em propor diferentes métodos e tecnologias alinhadas ao Sensoriamento Remoto a fim de detectar, monitorar e classificar a espessura de manchas de óleo derramadas em ambientes complexos.
A contribuição de Sensores Hiperespectrais embarcados em drones
O imageamento hiperespectral (HSI) compõe uma das abordagens mais tecnológicas do sensoriamento remoto. Acopladas a um Veículo Aéreo não Tripulado (VANT), popularmente conhecido como drone, os sensores hiperespectrais adquirem dados com altas resoluções espaciais e espectrais, permitindo a extração de informações de alto detalhe de alvos da superfície terrestre. Um estudo inédito, intitulado Monitoring oil spill thickness and weathering using UAV-borne hyperspectral sensing, publicado em 2025 na revista Marine Pollution Bulletin — e que tem como autora principal, a pesquisadora Rebecca Scafutto — mostra como o HSI pode ser aplicado para trazer maior cobertura espacial e mais precisão nas estimativas da espessura de manchas de óleo vazado em alto-mar.
Para isso, um experimento controlado de derramamento de petróleo contou com uma simulação de mar aberto através do uso de tanques preenchidos com água salina e com a instalação de geradores de ondas artificiais. Cerca de 30 litros de petróleo bruto, extraído do reservatório pré-sal da Bacia de Santos, foram despejados nos tanques.
Ao longo de três meses, os pesquisadores coletaram dados do campo experimental por meio de uma câmera hiperespectral (HySpex Mjolnir VS-620) acoplada a VANT. Os voos operaram a 40 metros de altitude, com uma velocidade de 2 metros por segundo, gerando imagens com pixels de 2 centímetros.
A classificação das imagens hiperespectrais diferenciou quatro classes de espessura nas manchas de óleo nos tanques: muito espesso, espesso, fino e muito fino. Além dessas classes, o estudo também incluiu a classificação da água limpa a fim de identificar o desempenho na distinção espectral entre água e óleo.
O objetivo do estudo foi contribuir para o aprimoramento da metodologia do BAOAC que, segundo os pesquisadores, é um método que pode gerar resultados subjetivos por conta do uso da interpretação visual na classificação das manchas de óleo.
O sensor hiperespectral foi capaz de gerar imagens que informam com mais precisão o volume das manchas de óleo e as diferenciações entre água e óleo — até mesmo nas manchas de óleo muito fino. Também foi possível medir o nível de intemperismo sofrido pelos hidrocarbonetos — compostos químicos do petróleo.
Por causa das limitações com o uso de drones — a exemplo da duração das baterias — e da dinâmica oceanográfica que pode espalhar as manchas de óleo — como ventos fortes, movimento das correntes marítimas etc. —, o estudo recomenda a implantação de seus métodos testados em ambientes costeiros ou em plataformas em mar aberto.
Deep learning e as Redes Neurais Convolucionais Tridimensionais
Através de dados coletados do mesmo experimento controlado de derramamento de petróleo contado acima, o Professor Carlos Roberto de Souza Filho e sua equipe conduziram outro estudo, intitulado Detection of Oil Spills in Simulated Coastal Marine Environments Via Hyperspectral Imaging and 3D CNN, com origem na Iniciação Científica de Thassia Gondek.
O estudo utilizou dados do experimento original para analisar como as Redes Neurais Convolucionais Tridimensionais (3D CNNs, sigla em inglês) podem auxiliar na detecção e classificação da espessura de derramamentos de óleo por meio de imagens hiperespectrais.
As Redes Neurais Convolucionais Tridimensionais são uma arquitetura de deep learning e têm sido uma grande aposta no Sensoriamento Remoto, principalmente devido à sua capacidade de processar dados tridimensionais (altura, largura e profundidade) — como os dados hiperespectrais. Essa abordagem permite que as 3D CNN aprendam características mais abstratas e complexas dos objetos analisados, indo além das informações superficiais.
O estudo mostra como a classificação de manchas de óleo —fino, médio e espesso — em imagens hiperespectrais por meio do modelo 3D CNN possibilitou dados confiáveis e detalhados sobre as espessuras dos derramamentos de óleos. A pesquisa aposta no uso desse método para substituir e automatizar processos de análise manuais. O modelo desenvolvido para imagens obtidas com sensores a bordo de VANT, pode ser escalado para situações reais, permitindo detectar pontos críticos e vazamentos de forma ágil. A automatização acelera a identificação de derramamentos, gerando informações espaciais sistemáticas e auxiliando órgãos ambientais na priorização de ações.
Mais do que ampliar a capacidade de detectar derramamentos, a combinação entre sensores hiperespectrais, drones e técnicas de deep learning abre caminho para uma resposta mais rápida e eficaz. Ao transformar informações espectrais complexas em mapas capazes de indicar a presença, a distribuição e a espessura do óleo, essas tecnologias podem apoiar equipes técnicas na identificação de áreas prioritárias e na definição das estratégias de contenção. O desafio agora é avançar na validação e aplicação desses métodos em condições reais de mar aberto e ambientes costeiros, aproximando a pesquisa científica das demandas de monitoramento e resposta a derramamentos de petróleo.
Os autores não prestam consultoria, trabalham, possuem ações ou recebem financiamento de qualquer empresa ou organização que se beneficiaria deste artigo e não revelaram qualquer vínculo relevante além de seus cargos acadêmicos.
Este artigo foi publicado no The Conversation Brasil e reproduzido aqui sob a licença Creative Commons
-vbk7zp98wgtz.png)
Comentários
Os comentários são de responsabilidade exclusiva de seus autores e não representam a opinião deste site. Se achar algo que viole os termos de uso, denuncie.