Menu:

 

 

Volume 24, Issue 2 - December 2024

 

Download (PDF)

 

 

  • Abstract / Resumo
  • References / Bibliografia
  • Citations / Citaçes

Revista de Gestão Costeira Integrada
Volume 24, Issue 2, December 2024, Pages 101-117

DOI: 10.5894/rgci-n568
* Submission: 2 AGO 2023; Peer review: 7 MAY 2024; Revised: 14 OCT 2024; Accepted: 14 OCT 2024; Available on-line: 19 MAR 2025

Mapeamento do índice de sensibilidade no litoral da Guiné-Bissau por GEOBIA e Machine Learning

Jairson Alberto Sami@ 1, Cristiane Nunes Francisco1, Pedro José Farias Fernandes1, Tiago Fernando de Holanda1

@Corresponding author: jairsonalberto@id.uff.br

1Universidade Federal Fluminense

RESUMO

Este trabalho tem como objetivo gerar o Índice de Sensibilidade do Litoral (ISL) ao derramamento de óleo na costa da Guiné-Bissau. Localizada na zona tropical da África Ocidental, a Guiné-Bissau possui uma extensa zona costeira, com predominância de amplitude de maré alta, que influencia o interior do continente até 150 km, com 22% do território inundado durante a estação chuvosa. A metodologia foi baseada nas Especificações e Normas Técnicas para a Elaboração das Cartas de Sensibilidade Ambiental a Derramamentos de Óleo (Cartas SAO), desenvolvida pelo Ministério de Meio Ambiente (MMA) do Brasil, utilizando a análise de imagens baseada em objetos geográficos (GEOBIA) e aprendizado de máquina para classificação da cobertura da terra em uma imagem Sentinel (maio de 2020). Após a segmentação da imagem e coleta de amostras, foram extraídos atributos da imagem (média e desvio padrão das bandas espectrais e índices de vegetação). A precisão de diferentes algoritmos de aprendizado de máquina foi avaliada (Random Forest, Support Vector Classifier, Gradient Boosting e Multilayer Perceptron). O algoritmo Random Forest apresentou o maior acurácia (0.97) e foi utilizado para a classificação final da cobertura da terra, que foram reclassificadas para valores de ISL. A área de estudo apresenta valores de ISL variando de 3 a 10. No entanto, os índices mais altos (8, 9 e 10) representaram 94.4% da área mapeada e são consideradas as unidades onde é mais difícil remover o óleo. Considerando a vulnerabilidade do país à exposição de petroleiros que atravessam o Golfo de Guiné, o ISL é uma ferramenta importante na mitigação dos danos ambientais causados por derramamentos de óleo na costa guineense.

Palavras-chaves: risco de derramamento de óleo, gerenciamento costeiro, mangue, aprendizagem de máquina, processamento de imagem.

ABSTRACT
This work aims to generate the map of the Coastal Sensitivity Index (CSI) to oil spill for an area in the Guinea-Bissau coast. Located in the tropical zone of West Africa, Guinea-Bissau has an extensive coastal zone, with a predominance of high tide amplitude, which influences the interior of the continent by up to 150 km, causing around 22% of the territory to be flooded during the rainy season. The methodology was based on the Technical Specifications and Standards for the Preparation of Environmental Sensitivity Charts for Oil Spills in Brazil (SAO Charts), developed by the Brazilian Ministry of Environmental (MMA), using geographic object-based image analysis (GEOBIA) and machine learning for land cover classification of a Sentinel image (May 2020). After image segmentation and sample collection, image attributes were extracted (mean and standard deviation of spectral bands and vegetation indices). The accuracy of different machine learning algorithms was evaluated (Random Forest, Support Vector Classifier, Gradient Boosting and Multilayer Perceptron). The Random Forest algorithm presented the highest accuracy (0.97) and was used for the final land cover classification, that were reclassified to CSI values. The study area shows CSI values ranging from 3 to 10. However, the highest indices (8, 9 and 10) represented 94.4% of the mapped area and are considered as the most difficult units to remove oil. Considering the country’s vulnerability to the exposure of oil tankers crossing the Gulf of Guinea, the CSI is an important tool in mitigating environmental damage caused by oil spills in the Guinean coast.

Keywords: oil spillage risk, coastal environment management, mangrove, machine learning, image processing.