%0 Conference Proceedings
%4 sid.inpe.br/marte2/2023/04.25.11.47
%2 sid.inpe.br/marte2/2023/04.25.11.47.49
%@isbn 978-65-89159-04-9
%T Desenvolvimento e aplicação de modelos preditivos para distinguir seepage slicks oil spills em imagens SAR da superfície do mar: transferência de aprendizagem entre o Golfo do México e a margem continental brasileira
%D 2023
%A Genovez, Patrícia Carneiro,
%A Ponte, Francisco Fábio de Araújo,
%A Matias, Ítalo de Oliveira,
%A Torres, Sarah Barrón,
%A Beisl, Carlos Henrique,
%A Silva, Gil Márco Avellino,
%A Miranda, Fernando Pellon de,
%@affiliation Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
%@affiliation Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
%@affiliation Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
%@affiliation Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio)
%@affiliation Geoespaço
%@affiliation Petrobras
%@affiliation Petrobras
%@electronicmailaddress genovezp@les.inf.puc-rio.br
%@electronicmailaddress fabioponte@les.inf.puc-rio.br
%@electronicmailaddress italo.matias@les.inf.puc-rio.br
%@electronicmailaddress sarah.barron@les.inf.puc-rio.br
%@electronicmailaddress beisl@geospatialpetroleum.com
%@electronicmailaddress gilmarcio@petrobras.com.br
%@electronicmailaddress fmiranda@petrobras.com.br
%E Gherardi, Douglas Francisco Marcolino,
%E Aragão, Luiz Eduardo Oliveira e Cruz de,
%E Sanches, Ieda DelArco,
%B Simpósio Brasileiro de Sensoriamento Remoto, 20 (SBSR)
%C Florianópolis
%8 02-05 abril 2023
%I Instituto Nacional de Pesquisas Espaciais (INPE)
%J São José dos Campos
%P e155920
%S Anais
%1 Instituto Nacional de Pesquisas Espaciais (INPE)
%K Radar de Abertura Sintética, Machine Learning, Transfer Learning, Exsudação de Óleo, Derrame de Óleo, Synthetic Aperture Radar, Machine Learning, Transfer Learning, Seepage Slick, Oil Spill.
%X 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. ABSTRACT: Natural or anthropic oil slicks induce the sea surface roughness attenuation, being similarly detected as dark spots by Synthetic Aperture Radars (SAR). Thereby, in the Gulf of Mexico (GoM), where seepage slicks and oil spills can occur simultaneously, distinguishing the oil slick source (OSS) using SAR is challenging. A database with 26 geometric features, extracted for 6,279 validated oil slicks, was used to develop predictive models for OSS identification in the GoM. A Machine Learning processing chain was implemented to train and test the GoM models achieving maximum accuracy around 75%. These models were first-ever applied to predict unknown samples in the Brazilian Continental Margin employing Transfer Learning. Results demonstrated the generalization capacity of the GoM models, achieving 87 % of accuracy when using similar satellites. Automatic predictions add confidence to the interpreters analysis, minimizing inherent risks regarding oil generation and migration in new offshore exploratory frontiers.
%9 Inteligência Artificial para Observação da Terra
%@language pt
%3 155920.pdf