580x138xLOGO-CAPA.png.pagespeed.ic.0TTOfb2dnR580x138xLOGO-CAPA.png.pagespeed.ic.0TTOfb2dnR580x138xLOGO-CAPA.png.pagespeed.ic.0TTOfb2dnR580x138xLOGO-CAPA.png.pagespeed.ic.0TTOfb2dnR
  • Avisos
  • Destaques
    • Notícias e Eventos
    • Premiações
    • Calendário de Defesas
  • Ensino
    • Normas e Regulamentos
    • Formulários
    • Disciplinas
      • Catálogo
      • Oferta por Período
      • Instruções para Inscrição em Disciplinas
    • Áreas de Concentração
      • Estruturas e Materiais
      • Geotecnia
      • Mecânica Computacional
      • Petróleo, Gás e Energias Renováveis
      • Recursos Hídricos e Meio Ambiente
      • Sistemas Computacionais
    • Laboratórios
    • Calendário Acadêmico
  • Editais
    • Bolsas PEC
    • Capes Global
    • PDSE
    • PIPD
    • Capes-PrInt
    • Oportunidades de Bolsas
  • Links Úteis
  • Quem Somos
    • Equipe
    • Docentes
    • Ex-Docentes
    • Biblioteca
  • Laboratórios
  • Acadêmicos
  • Publicações
    • Dissertações de Mestrado
    • Teses de Doutorado
  • Admissões
    • Mestrado
    • Doutorado
    • Pós-Doutorado
    • Docente
    • Sistema Selection
  • Contato
✕

APLICAÇÃO DE TÉCNICAS DE DEEP LEARNING PARA A CLASSIFICAÇÃO DA ORIGEM DE MANCHAS DE ÓLEO NA SUPERFÍCIE DO MAR DETECTADAS EM IMAGENS SAR

Documento

Elana Andrade De Oliveira Farias,Msc,2026
Baixar

Informações da Dissertação

Título

APLICAÇÃO DE TÉCNICAS DE DEEP LEARNING PARA A CLASSIFICAÇÃO DA ORIGEM DE MANCHAS DE ÓLEO NA SUPERFÍCIE DO MAR DETECTADAS EM IMAGENS SAR

Autor

Elana Andrade de Oliveira Farias

Resumo

O monitoramento de manchas de óleo na superfície oceânica por meio de imagens de Radar de Abertura Sintética (SAR) é uma técnica consolidada, fundamentada na redução da rugosidade do mar pelo óleo, o que gera zonas de baixo retorno. Este trabalho avaliou a aplicação de técnicas de Deep Learning para classificar a origem de manchas de óleo (exsudações naturais ou derrames antrópicos) detectadas em imagens SAR do satélite RADARSAT-2. Utilizou-se a arquitetura ConvNeXt-Tiny, cujos resultados foram comparados com abordagens clássicas de Machine Learning (Random Forest e Linear Discriminant Analysis). A rede neural mostrou-se eficaz na distinção das feições, alcançando métricas de desempenho estatisticamente equivalentes aos modelos clássicos. Destaca-se como principal vantagem do Deep Learning a eliminação da etapa manual de extração de atributos, permitindo o processamento automatizado e a escalabilidade da análise para grandes bases de dados.

Abstract

The monitoring of oil slicks on the ocean surface using Synthetic Aperture Radar (SAR)imagery is a consolidated technique, based on the reduction of sea surface roughness by the oil, which generates areas of low backscatter. This study evaluated the application of Deep Learning techniques to classify the origin of oil slicks (natural seepage or anthropogenic spills) detected in SAR images from the RADARSAT-2 satellite. The ConvNeXt-Tiny architecture was employed, and its results were compared with classic Machine Learning approaches (Random Forest and Linear Discriminant Analysis). The neural network proved to be effective in distinguishing the investigated features, achieving performance metrics statistically equivalent to the classic models. The main advantage of the Deep Learning approach is the elimination of the manual feature extraction step, enabling automated processing and scalability of the analysis for massive datasets.

Ano

2026

Orientadores

Alexandre Gonçalves Evsukoff | Fernando Pellon de Miranda

Anexos

Logo-Simplificada-da-Coppe-Negativa-1-scaled

PEC

  • Quem Somos
    • Equipe
    • Docentes
    • Ex-Docentes
    • Biblioteca
  • Laboratórios
  • Acadêmicos
  • Publicações
    • Dissertações de Mestrado
    • Teses de Doutorado
  • Admissões
    • Mestrado
    • Doutorado
    • Pós-Doutorado
    • Docente
    • Sistema Selection
  • Contato

Acadêmicos

  • Avisos
  • Destaques
    • Notícias e Eventos
    • Premiações
    • Calendário de Defesas
  • Ensino
    • Normas e Regulamentos
    • Formulários
    • Disciplinas
      • Catálogo
      • Oferta por Período
      • Instruções para Inscrição em Disciplinas
    • Áreas de Concentração
      • Estruturas e Materiais
      • Geotecnia
      • Mecânica Computacional
      • Petróleo, Gás e Energias Renováveis
      • Recursos Hídricos e Meio Ambiente
      • Sistemas Computacionais
    • Laboratórios
    • Calendário Acadêmico
  • Editais
    • Bolsas PEC
    • Capes Global
    • PDSE
    • PIPD
    • Capes-PrInt
    • Oportunidades de Bolsas
  • Links Úteis

Contato

Av. Athos da Silveira Ramos, 149 – Bloco B, Sala B-101 Cidade Universitária, Rio de Janeiro – RJ, 21941-909
(21) 3938-1569
academica@coc.ufrj.br

Todos os direitos reservados PROGRAMA DE ENGENHARIA CIVIL - COPPE/UFRJ © 2026

Desenvolvido por Digimaster Informática

  • Não há traduções disponíveis para esta página.