RESSALVA Atendendo a solicitação do(a) autor(a), o texto completo desse trabalho será disponibilizado no repositório a partir de 30/08/2026. JOSÉ ANTÔNIO DA SILVA JUNIOR ABORDAGEM BASEADA NA DETECÇÃO DE ANOMALIAS PARA IDENTIFICAÇÃO DE DERRAMAMENTOS DE ÓLEO UTILIZANDO SÉRIE DE IMAGENS SAR 2024 JOSÉ ANTÔNIO DA SILVA JUNIOR ABORDAGEM BASEADA NA DETECÇÃO DE ANOMALIAS PARA IDENTIFICAÇÃO DE DERRAMAMENTOS DE ÓLEO UTILIZANDO SÉRIE DE IMAGENS SAR Dissertação apresentada ao Programa de Pós-graduação da Instituto de Ciência e Tecnologia, Universidade Estadual Paulista (Unesp), Campus de São José dos Campos; Centro Nacional de Monitoramento e Alertas de Desastres Naturais (Cemaden), como requisito parcial para a obtenção do título de MESTRE. Área: Desastres naturais. Linha de pesquisa: Instrumentação e Análise de Dados. Orientador: Prof. Dr. Rogério Galante Negri Coorientador: Prof.ª Dr.ª Tatiana Sussel Goncalves Mendes São José dos Campos 2024 Instituto de Ciência e Tecnologia [internet]. Normalização de tese e dissertação [acesso em 2024]. Disponível em http://www.ict.unesp.br/biblioteca/normalizacao Apresentação gráfica e normalização de acordo com as normas estabelecidas pelo Serviço de Normalização de Documentos da Seção Técnica de Referência e Atendimento ao Usuário e Documentação (STRAUD). Ficha catalográfica elaborada pela Biblioteca Prof. Achille Bassi e Seção Técnica de Informática, ICMC/USP com adaptações - STATI, STRAUD e DTI do ICT/UNESP. Renata Aparecida Couto Martins CRB-8/8376 Silva Junior, José Antônio Da Abordagem baseada na detecção de anomalias para identificação de derramamentos de óleo utilizando série de imagens SAR. / José Antônio Da Silva Junior. - São José dos Campos : [s.n.], 2024. 42 f. : il. Dissertação (Mestrado em Desastres Naturais) - Pós-graduação em Desastres Naturais - Universidade Estadual Paulista (UNESP), Instituto de Ciência e Tecnologia; Centro Nacional de Monitoramento e Alertas de Desastres Naturais (Cemaden), São José dos Campos, 2024. Orientador: Rogério Galante Negri Coorientadora: Tatiana Sussel Goncalves Mendes 1. OC-SVM. 2. Derrmamento de óleo. 3. Sentinel-1. 4. Google Earth Engine. I. Negri, Rogério Galante, orient. II. Mendes, Tatiana Sussel Goncalves, coorient. III. Universidade Estadual Paulista (UNESP), Instituto de Ciência e Tecnologia, São José dos Campos. IV. Universidade Estadual Paulista 'Júlio de Mesquita Filho' - UNESP. V. Universidade Estadual Paulista (UNESP). VI. Centro Nacional de Monitoramento e Alertas de Desastres Naturais (Cemaden). VII. Título. IMPACTO POTENCIAL DESTA PESQUISA Esta pesquisa contribui diretamente para os Objetivos de Desenvolvimento Sustentável (ODS) ao melhorar a detecção de derramamentos de óleo, reforçando a preservação dos ecossiste- mas marinhos (ODS 14) e promovendo inovação tecnológica (ODS 9) com uso de sensoriamento remoto e aprendizado de máquina. Seus resultados apoiam políticas públicas de prevenção de desastres, fortalecendo a gestão ambiental e econônmica, sobretudo no Brasil onde setores como pesca e turismo são economicamente sensíveis a desastres ambientais. A ferramenta desenvolvida tem capacidade de ser aplicada em escala global, fomentando o desenvolvimento sustentável, com impacto social e educacional significativo, capacitando futuras gerações a enfrentar desafios ambientais tão complexos como o aparecimento de manchas de óleo no mar. POTENTIAL IMPACT OF THIS RESEARCH This research directly contributes to the Sustainable Development Goals (SDGs) by improving oil spill detection, reinforcing the preservation of marine ecosystems (SDG 14), and promoting technological innovation (SDG 9) through the use of remote sensing and machine lear- ning. Its results support disaster prevention policies, strengthening environmental and economic management, especially in Brazil, where sectors such as fishing and tourism are economically sensitive to environmental disasters. The developed tool has the potential for global application, fostering sustainable development with significant social and educational impact, empowering future generations to tackle complex environmental challenges, such as the appearance of oil slicks in the ocean. BANCA EXAMINADORA Dr. Rogério Galante Negri (Orientador) Universidade: Universidade Estadual Paulista - UNESP Instituição: ICT- UNESP Campus: São José dos Campos Dr. Antônio Carlos Varela Saraiva Universidade: Universidade Estadual Paulista - UNESP Instituição: ICT- UNESP Campus: São José dos Campos Prof. Dr. Laércio Massaru Namikawa Universidade: Instituto Nacional de Pesquisa Espaciais INPE Instituição: Divisão de Processamento de Imagens Campus: São José dos Campos São José dos Campos, 30 de agosto de 2024. SUMÁRIO RESUMO............................................................................................................................... 3 ABSTRACT ............................................................................................................................ 4 1 INTRODUÇÃO ................................................................................................................. 9 2 ARTIGOS .......................................................................................................................... 12 2.1 An anomaly detection-based approach for oil spill identification using Sentinel-1 SAR image series ............................................................................................................ 12 3 CONSIDERAÇÕES FINAIS ........................................................................................... 39 REFERÊNCIAS.................................................................................................................... 41 SILVA JUNIOR, J. A. Abordagem baseada na detecção de anomalias para identificação de derramamentos de óleo utilizando série de imagens SAR. Dissertação. São José dos Campos: Universidade Estadual Paulista (Unesp), Instituto de Ciência e Tecnologia; Centro Nacional de Monitoramento e Alertas de Desastres Naturais (Cemaden), 2024. RESUMO 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 às 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. Palavras-chave: OC-SVM; Derrmamento de óleo; Sentinel-1; Google Earth Engine. SILVA JUNIOR, J. A. An anomaly detection-based approach for oil spill identification using Sentinel-1 SAR image series. Master. São José dos Campos: São Paulo State University (Unesp), Institute of Science and Technology; National Center for Monitoring and Early Warning of Natural Disasters (Cemaden), 2024. ABSTRACT 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. Keywords: OC-SVM; Oill Spill; Sentinel-1; Google Earth Engine 9 1 INTRODUÇÃO Desastres naturais podem ser definidos como uma combinação de riscos naturais e vul- nerabilidades que colocam em risco comunidades que são incapazes de suportar as adversidades deles decorrentes (BLAIKIE et al., 2014). Em 2023, Emergency Events Database (EM-DAT) (AL., 2024) registrou um total de 399 desastres relacionados a riscos naturais. Esses eventos resultaram em 86.473 fatalidades, superando a média de 20 anos de aproximadamente 367 eventos por anos com 64.148 mortes e o valor mediano de 19.290 mortes para o mesmo período. Este número de catástrofes registadas quintuplicou nos últimos 50 anos, impulsionado em parte pelas alterações climáticas induzidas pelo homem (DOURIS; KIM, 2021). Esses eventos são suficientes para motivar a realização de estudos e concentração de esforços para redução de risco (AALST, 2006) Neste aspecto, os derramamentos de óleo no oceano representam um grave problema ambiental e econômico, causando danos significativos à vida marinha, à qualidade da água e às indústrias pesqueira e turística. Ao longo das décadas, ocorreram vários desastres envolvendo der- ramamentos os quais destacaram tamanha a vulnerabilidade dos ecossistemas marinhos quando expostos a este tipo de evento. Entre os incidentes mais notórios, destacam-se o derramamento do Exxon Valdez em 1989 (PAINE et al., 1996), que liberou aproximadamente 11 milhões de galões de petróleo no Alasca e o desastre da Deepwater Horizon em 2010 ((CRONE; TOLSTOY, 2010)), que resultou na liberação de cerca de 206 milhões de barris de petróleo no Golfo do México. Mais recentemente, ocorreu no Brasil um derramamento de petróleo e óleo bruto que atingiu a costa brasileira e alcançou a faixa litorânea com uma extensão de 4.334 km em 11 estados do Nordeste e Sudeste, 120 municípios e 724 localidades até 22 de novembro de 2019 (IBAMA, 2019). O vazamento é considerado um dos maiores desastres ambientais do país, com incalculáveis impactos ambientais, econômicos e na saúde pública (RICHETTI; MILARÉ, 2021). Sabendo disso, compreender e abordar estes impactos multifacetados é crucial para o desenvolvimento de medidas corretivas eficazes e para a mitigação das consequências de tais desastres ambientais nas regiões costeiras (SANTOS et al., 2022). Deste modo, busca-se cada vez mais artefatos e artifícios tecnológicos de modo a precaver e evitar este tipo de incidente. Dito isso, o Sensoriamento Remoto surge como uma ferramenta conveniente para observar e analisar a superfície da Terra, pois além de permitir registrar as informações em diferentes comprimentos de onda espectrais, os sensores remotos também permitem amplas análises espaciais e temporais (JENSEN, 2009). Em particular, o Radar de Abertura Sintética (Synthetic Aperture Radar - SAR) tem se mostrado altamente eficaz para a detecção e monitoramento de óleo na superfície do mar, por sua capacidade de observação diurna e noturna, pois trata-se de um sensor ativo que opera emitindo e recebendo impulsos (TONG et al., 2019; AL-RUZOUQ et al., 2020; CONCEIÇÃO et al., 2021), além da sua alta resolução e grande cobertura, o que atribui a este sensor uma 10 alta capacidade de observação. Nesta pesquisa o modo de imagem usado é o IW do sensor Sentinel-1, cujo o nível de processamento é o GRD e a aquisição da informação é realizada em três subfaixas com uma cobertura total de 250 km e uma resolução espacial de 5 x 20 m, a mais alta em comparação com outros modos (ESA, 2022). Associado ao SAR, cada vez mais os algoritmos de Aprendizado de Máquina (Machine Leraning - ML) têm se destacado como importantes atores no que se refere à detecção e monitoramento de manchas de óleo, pois apresentam resultados cada vez mais assertivos e auxiliam os responsáveis nas tomadas de decisões preventivas (HUANGET, 2022). Além disso, a extração de informações confiáveis das imagens SAR ganham celeridade quando estes dados são processados em plataformas em nuvem, como é o caso do Google Earth Engine (GEE) (CAPORUSSO; GALLO; TARANTINO, 2022), que permite aos usuários acessar, analisar e visualizar um vasto conjunto de dados geoespaciais. Além disso, a velocidade e a eficiência na extração de informações confiáveis de ima- gens SAR são significativamente aprimoradas quando processadas em plataformas na nuvem, como o Google Earth Engine (GEE) (CAPORUSSO; GALLO; TARANTINO, 2022), que for- nece aos usuários as ferramentas para acessar, analisar e visualizar uma vasta gama de dados geoespaciais em escala planetária. O funcionamento do GEE é baseado em três componentes principais: armazenamento de dados em nuvem, acesso aos dados e algoritmos de processamento. O catálogo de dados abriga um grande repositório de conjuntos de dados geoespaciais publi- camente disponíveis, incluindo observações de uma variedade de sistemas de imagens aéreas e de satélite em comprimentos de onda ópticos e não ópticos, variáveis ambientais, previsões meteorológicas e climáticas e retrospectivas, cobertura da terra, topográficas e sócio- conjuntos de dados econômicos (GORELICK et al., 2017) Desta forma, a plataforma combina uma enorme base de dados associado a algoritmos de processamento de alta potência para fornecer uma plata- forma abrangente de análise geoespacial. Tanto o acesso aos dados, quanto os processamento deles podem ser feitos na nuvem, assim como a importação/exportação de dados matriciais e vetoriais. Neste contexto, a detecção de manchas de óleo em imagens de satélite é um campo de pesquisa que se beneficia significativamente das técnicas de ML. Métodos de aprendizado supervisionado, como Redes Neurais Convolucionais (CNN) (ZHANG et al., 2017) e Support Vector Machines (SVM) (XU et al., 2020), têm sido amplamente utilizados para a classificação e detecção de manchas de óleo. O SVM, em particular, apresenta algumas variantes da concepção original, dentre elas o One Class SVM (OC-SVM), o qual depende do problema de estimativa de quantis para detecção de anomalias, e pode ser utilizado para melhorar a precisão e eficiência de sistemas destinados a detectar contaminação de água em amostras de óleo (RADOGNA et al., 2023). À luz das discussões apresentadas, este trabalho introduz uma abordagem automatizada baseada em ML para a detecção de derramamentos de óleo offshore. O método proposto utiliza SVM e OC-SVM como as principais técnicas de classificação, aplicados em todo o conjunto de 11 dados. Além disso, a abordagem incorpora um modelo de aprendizado por reforço para expandir o conjunto de treinamento de forma dinâmica, na forma de uma variante do OC-SVM. Esse processo começa com um conjunto de treinamento inicial, a partir do qual o classificador seleci- ona e adiciona as amostras mais relevantes à base de treinamento, atualizando continuamente o conjunto de referência para cada imagem. Como resultado, o classificador se torna cada vez mais preciso e eficaz na identificação de derramamentos de óleo. A abordagem introduzida é validada por meio de um estudo de caso focado na região de Campeche, no México. Para este estudo, foram utilizadas imagens adquiridas pelo sensor SAR a bordo do satélite Sentinel-1 durante o período de abril a agosto de 2020. os resultados alcançados demonstraram claramente a superioridade do método proposto em comparação com abordagens alternativas com um esquema de classificação semelhante, quando ao empregar um conjunto otimizado de atributos, o método proposto alcançou uma precisão de 94,5%, em contraste com o método original que alcançou uma precisão de apenas 80,4%. Este documento está organizado da seguinte forma: no Capítulo 2 é apresentado o artigo Study for oil spill detection using the OC-SVM method applied to Sentinel-1 radar images e no Capítulo 3 são feitas as considerações finais acerca desta pesquisa. 39 3 CONSIDERAÇÕES FINAIS A exploração e o transporte de óleo offshore são atividades essenciais para a economia global, mas também apresentam riscos significativos para o meio ambiente marinho. Surgimentos e derramamentos de óleo podem ter impactos devastadores sobre os ecossistemas, afetando a fauna, a flora e as comunidades costeiras. Neste contexto, a detecção precoce e o monitoramento eficiente de manchas de óleo são cruciais para mitigar os efeitos adversos desses incidentes. Diante disso, este trabalho propôs uma nova abordagem para a detecção e mapeamento de derramamentos de óleo em regiões offshore. A abordagem envolve a classificação incremental de uma série de imagens SAR, onde um conjunto inicial de exemplos é progressivamente expandido com amostras classificadas com alta confiança. Este processo iterativo culmina em um mapa robusto e preciso de classificação óleo-água no instante final da série de imagens analisada. A abordagem proposta é derivada da concepção original do SVM e é referenciada neste artigo como InOC2-SVM (Incremental Oil Classification with OC-SVM). Para demonstrar a eficácia da abordagem proposta, foi realizado um experimento utilizando imagens do Sentinel-1 adquiridas entre 25 de abril e 23 de agosto de 2020, em uma região do Golfo do México. Os resultados corroboraram com a hipótese inicial de que o InOC2- SVM demonstra um desempenho superior e é uma ferramenta promissora para a prevenção de desastres ambientais ao evidenciar a superioridade do método proposto em comparação com abordagens alternativas com um esquema de classificação semelhante. Em resumo, empregando um conjunto otimizado de atributos, o método proposto alcançou um valor F1-score de 94,5%. Em contraste, o método original alcançou um valor de apenas 80,4% medido também pelo F1-score. Dito isto, os resultados apresentados mostraram que, ao treinar o modelo apenas com dados da classe óleo e reforçando os dados amostrais, o classificador pode identificar de forma eficiente padrões que se desviam do normal, distinguindo de forma precisa entre óleo e outros alvos (água marítima, plataformas, costa etc.). Desta forma, combinação de técnicas avançadas de aprendizado de máquina com dados de alta resolução do Sentinel-1, aliado à uma ferramenta poderosa para observação e análise da superfície terrestre como o Google Earth Engine oferece uma solução eficaz para a detecção precoce e o monitoramento de manchas de óleo, contribuindo não apenas para a precisão da detecção, mas também para a proteção dos ecossistemas marinhos e a mitigação de desastres ambientais. Por fim, os resultados alcançados neste trabalho abrem caminho para futuras pesquisas, quando se pode ainda explorar a inclusão de atributos adicionais e suas respectivas combinações, uma exploração mais refinada dos tipos de pré-processamento dos dados de imagem, visto que esses parâmetros mostraram ter grande influência nos resultados alcançados. Além disso, realizar esses testes em outras bandas de frequência além da banda C, estender a abordagem proposta a outros modelos de classificação e conduzir análises adicionais em diferentes regiões também podem oferecer uma grande contribuição para uma melhor classificação das imagens. 40 Em suma, entende-se que a adoção e exploração deste método em sistemas de moni- toramento oceânico poderia representar um avanço substancial na proteção dos ecossistemas marinhos, oferecendo uma solução mais robusta e confiável para a detecção precoce de manchas de óleo, minimizando assim os desafios ambientais associados à exploração e ao transporte de óleo offshore, promovendo a sustentabilidade e a proteção dos oceanos. 41 REFERÊNCIAS AALST, M. K. V. The impacts of climate change on the risk of natural disasters. Disasters, Wiley Online Library, v. 30, n. 1, p. 5–18, 2006. AL., C. for Research on the Epidemiology of Disasters (CRED) et. Disasters in numbers: A significant year of disaster impact. Centre for Research on the Epidemiology of Disasters (CRED), v. 1, p. 1–8, 2024. Acesso em 17 set. 2024. Disponível em: . AL-RUZOUQ, R. et al. Sensors, features, and machine learning for oil spill detection and monitoring: A review. Remote Sensing, MDPI, v. 12, n. 20, p. 3338, 2020. BLAIKIE, P. et al. At risk: natural hazards, people’s vulnerability and disasters. [S.l.]: Routledge, 2014. CAPORUSSO, G.; GALLO, C.; TARANTINO, E. Change detection analysis using sentinel-1 satellite data with snap and gee regarding oil spill in venezuela. In: SPRINGER. International Conference on Computational Science and Its Applications. [S.l.], 2022. p. 387–404. CONCEIÇÃO, M. R. A. et al. Sar oil spill detection system through random forest classifiers. Remote Sensing, MDPI, v. 13, n. 11, p. 2044, 2021. CRONE, T. J.; TOLSTOY, M. Magnitude of the 2010 gulf of mexico oil leak. Science, American Association for the Advancement of Science, v. 330, n. 6004, p. 634–634, 2010. DOURIS, J.; KIM, G. The atlas of mortality and economic losses from weather, climate and water extremes (1970-2019). WMO: World Meteorological Organisation, 2021. ESA. 2022. Disponível em: . GORELICK, N. et al. Google earth engine: Planetary-scale geospatial analysis for everyone. Remote sensing of Environment, Elsevier, v. 202, p. 18–27, 2017. HUANGET, X. e. a. A novel deep learning method for marine oil spill detection from satellite synthetic aperture radar imagery. Marine Pollution Bulletin, v. 179, p. 113666, 2022. ISSN 0025-326X. Disponível em: . IBAMA. Localidades afetadas. 2019. Acesso em 02 ago. 2024. Disponível em: . JENSEN, J. R. Remote sensing of the environment: An earth resource perspective. 2. ed. [S.l.]: Pearson Education India, 2009. PAINE, R. T. et al. Trouble on oiled waters: lessons from the exxon valdez oil spill. Annual Review of Ecology and Systematics, Annual Reviews 4139 El Camino Way, PO Box 10139, Palo Alto, CA 94303-0139, USA, v. 27, n. 1, p. 197–235, 1996. RADOGNA, A. V. et al. A combined measurement system for fast classification of water contamination in lubricant oil. In: 9th IEEE International Workshop on Advances in Sensors and Interfaces. [S.l.: s.n.], 2023. p. 58–62. https://files.emdat.be/reports/2023_EMDAT_report.pdf https://sentinel.esa.int/web/sentinel/missions/sentinel-1 https://www.sciencedirect.com/science/article/pii/S0025326X22003484 https://www.sciencedirect.com/science/article/pii/S0025326X22003484 https://www.gov.br/ibama/pt-br/assuntos/fiscalizacao-e-protecao-ambiental/emergencias-ambientais/manchasdeoleo https://www.gov.br/ibama/pt-br/assuntos/fiscalizacao-e-protecao-ambiental/emergencias-ambientais/manchasdeoleo https://www.gov.br/ibama/pt-br/assuntos/fiscalizacao-e-protecao-ambiental/emergencias-ambientais/manchasdeoleo 42 RICHETTI, G. P.; MILARÉ, T. O Óleo no nordeste brasileiro: Aspectos da (an)alfabetização científica e tecnológica. Revista Brasileira de Pesquisa em Educação em Ciências, p. 1–2, out. 2021. Disponível em: . SANTOS, M. O. S. dos et al. Oil spill in brazil—analysis of vulnerabilities and socio-environmental conflicts. The biochemist, v. 2, n. 4, p. 260–268, 2022. TONG, S. et al. Multi-feature based ocean oil spill detection for polarimetric sar data using random forest and the self-similarity parameter. Remote Sensing, MDPI, v. 11, n. 4, p. 451, 2019. XU, J. et al. Oil spill monitoring of shipborne radar image features using svm and local adaptive threshold. Algorithms, v. 13, n. 3, 2020. ISSN 1999-4893. Disponível em: . ZHANG, Z. et al. Complex-valued convolutional neural network and its application in polarimetric sar image classification. IEEE Transactions on Geoscience and Remote Sensing, v. 55, n. 12, p. 7177–7188, 2017. https://periodicos.ufmg.br/index.php/rbpec/article/view/29065 https://www.mdpi.com/1999-4893/13/3/69 2ea578651a4152868805108dfea4454f55a1a3111baa21a4d19a77107026f11a.pdf 15ffecb3c61e63701ccb72d928b4418eea22eface82f172e7d91297deacd4804.pdf Folha de rosto 2473fb39038e6f3575098c77b429b327e6e3d2959b04a4333285198728c85384.pdf 2ea578651a4152868805108dfea4454f55a1a3111baa21a4d19a77107026f11a.pdf template-dn-padrao-2024.pdf 15ffecb3c61e63701ccb72d928b4418eea22eface82f172e7d91297deacd4804.pdf SUMÁRIO RESUMO RESUMO ABSTRACT ABSTRACT INTRODUÇÃO 2ea578651a4152868805108dfea4454f55a1a3111baa21a4d19a77107026f11a.pdf 15ffecb3c61e63701ccb72d928b4418eea22eface82f172e7d91297deacd4804.pdf CONSIDERAÇÕES FINAIS REFERÊNCIAS