Cientistas do Departamento de Engenharia Elétrica da PUC-Rio criaram um inovador modelo de inteligência artificial com o objetivo de identificar e mapear ecossistemas marinhos frágeis, com ênfase nas algas calcárias, essenciais para a formação de recifes e para o armazenamento de carbono. Este estudo foi publicado na revista Springer Nature, contando com a participação dos autores Vitor Sousa, Manoela Kohler e Marco Aurélio Pacheco; a pesquisa pode ser acessada em https://link.springer.com/article/10.1007/s44379-026-00060-4.
O que foi feito e sua importância
A equipe da PUC-Rio desenvolveu um software que utiliza técnicas de aprendizado autossupervisionado, visando minimizar erros na identificação das algas calcárias em imagens subaquáticas. Essas algas, ricas em carbonato de cálcio, formam estruturas rígidas que servem como abrigo para várias espécies e desempenham um papel crucial em processos químicos nos oceanos, incluindo o sequestro de carbono. Com as atividades extrativas ao longo da costa brasileira, como a exploração de petróleo e gás, há um risco significativo de danos a essas formações, tornando essencial um mapeamento preciso para identificar áreas onde a exploração deve ser restringida.
Fontes de dados e métodos utilizados
No monitoramento atual, são empregados veículos operados remotamente (ROVs) que capturam imagens do fundo do mar em diversas profundidades. Essas imagens são posteriormente utilizadas por modelos de aprendizado profundo para rastrear e mapear as espécies ao longo do tempo, orientando tanto a instalação de infraestrutura quanto a análise dos impactos ambientais. No entanto, a qualidade das imagens e dos rótulos é frequentemente comprometida: catalogações realizadas por leigos, dados obtidos automaticamente da internet e imagens difíceis de interpretar podem resultar em rótulos imprecisos, prejudicando o treinamento dos modelos.
Técnicas aplicadas e resultados obtidos
Para solucionar esse desafio, os pesquisadores implementaram técnicas de aprendizado contrastivo — uma abordagem autossupervisionada — que permite ao sistema aprender padrões diretamente dos dados sem depender exclusivamente dos rótulos fornecidos por humanos. O modelo ainda atribui pesos aos rótulos conforme sua confiabilidade, tratando com maior cautela as imagens mais propensas a erros. Em testes realizados com um banco de dados reconhecido na área, observou-se uma melhoria de 3% na precisão geral e um aumento específico de 1,6% na identificação das algas calcárias.
Os autores ressaltam que, embora esses incrementos possam parecer modestos em termos percentuais, esse aumento na acurácia é significativo em aplicações ambientais que demandam alta precisão. Em uma entrevista ao site The Conversation, a equipe destacou que “sistemas de inteligência artificial são fortemente influenciados pela qualidade dos dados utilizados no treinamento” e que enfrentar imperfeições nos dados continua sendo um desafio em cenários reais.
Imagem: Divulgação
Esse desenvolvimento promete melhorar o mapeamento de habitats vulneráveis e oferecer suporte técnico para a formulação de políticas protetivas e para a análise dos impactos decorrentes das atividades costeiras.
Com informações adicionais disponíveis online