DESENVOLVIMENTO E APLICAÇÃO DE MODELOS PREDITIVOS PARA DISTINGUIR SEEPAGE SLICKS DE OIL SPILLS EM IMAGENS SAR DA SUPERFÍCIE DO MAR: TRANSFERÊNCIA DE APRENDIZAGEM ENTRE O GOLFO DO MÉXICO E A MARGEM CONTINENTAL BRASILEIRA

Manchas de óleo naturais ou antrópicas induzem a atenuação
da rugosidade da superfície do mar, sendo igualmente
detectadas como alvos escuros por Radares de Abertura
Sintética (SAR). No Golfo do México (GoM), onde seepage
slicks e oil spills podem ocorrer simultaneamente, distinguir a
origem das manchas de óleo (OMO) usando SAR é desafiador.
Modelos preditivos para identificação da OMO no GoM foram
desenvolvidos utilizando 26 atributos geométricos, extraídos
de 6.279 manchas de óleo validadas. Os modelos GoM
treinados e testados com algoritmos de Machine Learning
alcançaram precisão máxima de 75%. De forma inédita, estes
modelos foram aplicados para prever amostras desconhecidas
na Margem Continental Brasileira utilizando Transfer
Learning. Os resultados demonstraram a capacidade de
generalização dos modelos GoM atingindo 87% de precisão
empregando satélites semelhantes. Predições automáticas
agregam confiança à análise dos intérpretes, minimizando
riscos geológicos para geração e migração de óleo em novas
fronteiras exploratórias offshore.