Abordagem baseada na detecção de anomalias para identificação de derramamentos de óleo utilizando série de imagens SAR

Abstract

Os oceanos representam mais de 70% da superfície terrestre, são ricos em biodiversidade, contém vastas reservas de recursos naturais e minerais e são vitais para o transporte marítimo, bem como para a exploração de recursos. Dentre os produtos transportados e extraídos dessas águas, o petróleo representa um risco significativo quando mal manuseado, levando a uma poluição em grande escala devido a descargas ilegais ou acidentes envolvendo navios e plataformas de exploração. Diante disso, há uma crescente necessidade de soluções tecnológicas avançadas para identificar e monitorar tais desastres ambientais a fim de minimizar ou até mesmo prevenir a ocorrência destes eventos. Nesse contexto, a combinação de tecnologias de Sensoriamento Remoto com métodos de Aprendizado de Máquina demonstra ser uma combinação promissora para detectar anomalias em ambientes marinhos. Neste aspecto, esta pesquisa propõe uma abordagem baseada em uma variação do método SVM: o One-Class Support Vector Machine (OC-SVM) para a detecção de derramamentos de óleo no mar utilizando imagens de Radar de Abertura Sintética (SAR) do satélite Sentinel-1. Para testar e validar o método este trabalho apresenta um estudo de caso com experimentos realizados na região sul do Golfo do México, próximo as águas marítimas de Campeche, México, cujos resultados revelaram o potencial da abordagem proposta, alcançando níveis de precisão mais altos do que o processo de classificação tradicional.

The oceans represent more than 70\% of the Earth's surface, are rich in biodiversity, contain vast reserves of natural and mineral resources, and are vital for maritime transport as well as resource exploration. Among the products transported and extracted from these waters, oil represents a significant risk when mishandled, leading to large-scale pollution due to illegal discharges or accidents involving ships and exploration platforms. In light of this, there is a growing need for advanced technological solutions to identify and monitor such environmental disasters to minimize or even prevent the occurrence of these events. In this context, the combination of Remote Sensing technologies with Machine Learning methods proves to be a promising approach for detecting anomalies in marine environments. In this regard, this research proposes an approach based on a variation of the SVM method: the One-Class Support Vector Machine (OC-SVM) for detecting oil spills at sea using Synthetic Aperture Radar (SAR) images from the Sentinel-1 satellite. To test and validate the method, this work presents a case study with experiments conducted in the southern region of the Gulf of Mexico, near the maritime waters of Campeche, Mexico, whose results revealed the potential of the proposed approach, achieving higher accuracy levels than the traditional classification process.