Detecção Automatizada de Embarcações de Garimpo Ilegal usando Imagens SAR e Redes Neurais Profundas

Este projeto de pesquisa tem como objetivo o desenvolvimento de um sistema automatizado para identificar embarcações de pequeno porte em imagens de radar de abertura sintética (SAR) do satélite Sentinel-1, utilizando redes neurais profundas. O estudo se concentrará em áreas críticas de garimpo no Rio Madeira — que se estende entre os estados de Rondônia e Amazonas —, utilizando a plataforma Google Earth Engine para a obtenção de dados referentes ao período de seca de 2025. A metodologia baseia-se na segmentação do curso hídrico em cinco áreas de interesse, incluindo uma zona de controle em Humaitá-AM para a mitigação de falsos positivos através de amostragem negativa. Para a segmentação semântica, a proposta é utilizar a arquitetura U-Net acoplada a dois codificadores distintos, ResNet34 e ResNet50, a ser treinada em recortes de 256 x 256 pixels com uma função de perda híbrida (BCE e Dice Loss) para atenuar o severo desbalanceamento de classes (entre o fundo do rio e as embarcações). A avaliação de desempenho priorizará a validação por objetos, o que se mostra mais alinhado às demandas de fiscalização, adotando-se a métrica F1-Score para aferir a robustez dos modelos computacionais diante de falsos positivos gerados, por exemplo, por bancos de areia. Assim, a presente proposta busca evidências do potencial do deep learning para aperfeiçoar o monitoramento ambiental na Amazônia.