Pesquisadores do Departamento de Engenharia Elétrica da PUC-Rio desenvolveram um modelo de inteligência artificial voltado à identificação e mapeamento de ecossistemas marinhos sensíveis, em especial as algas calcárias, que são fundamentais para recifes e armazenamento de carbono. O trabalho foi publicado no periódico Springer Nature e tem entre os autores Vitor Sousa, Manoela Kohler e Marco Aurélio Pacheco; o estudo completo está disponível em https://link.springer.com/article/10.1007/s44379-026-00060-4.

Quem, o que e por que

A equipe da PUC-Rio criou um software baseado em técnicas de aprendizagem autossupervisionada para reduzir erros na detecção de algas calcárias em imagens do fundo do mar. Essas algas, impregnadas por carbonato de cálcio, compõem estruturas rígidas que servem de habitat para diversas espécies e colaboram com processos químicos oceânicos, como o armazenamento de carbono. Atividades extrativas na costa brasileira, como a extração de gás e petróleo, podem danificar essas formações, o que torna o mapeamento preciso essencial para a definição de áreas com restrições à exploração.

Onde e como são obtidos os dados

O monitoramento atual utiliza veículos operados remotamente (ROVs) que registram imagens do substrato marinho em profundidade. Essas imagens alimentam modelos de aprendizado profundo para identificar e mapear espécies ao longo do tempo, orientação usada tanto para instalar infraestruturas quanto para avaliar impactos ambientais posteriores. Entretanto, a qualidade das imagens e dos rótulos apresenta ruído: catalogações feitas por não especialistas, dados coletados automaticamente na web e imagens de difícil interpretação podem gerar rótulos imprecisos, afetando o treinamento dos modelos.

Metodologia e resultados

Para mitigar esse problema, os pesquisadores integraram técnicas de aprendizado contrastivo — um método de aprendizagem autossupervisionada — que permite ao sistema aprender padrões diretamente dos dados sem depender exclusivamente de rótulos humanos. Além disso, o modelo atribui pesos aos rótulos segundo sua confiabilidade, tratando com mais cautela imagens com maior probabilidade de erro. Nos testes conduzidos com um banco de dados conhecido na área, o modelo apresentou aumento de 3% na precisão geral e 1,6% de melhoria especificamente na identificação de algas calcárias.

Os autores destacam que, apesar dos ganhos parecerem modestos em termos percentuais, essa elevação de acurácia é relevante em aplicações ambientais que exigem alta precisão. Em entrevista ao site The Conversation, a equipe observou que “sistemas de inteligência artificial são profundamente influenciados pela qualidade dos dados com que são treinados” e que lidar com imperfeições nos dados continua sendo um desafio em contextos reais.

Imagem: Divulgação

O desenvolvimento promete aprimorar o mapeamento de habitats vulneráveis e fornecer suporte técnico para políticas de proteção e para a avaliação de impactos de atividades costeiras.

Com informações de Olhardigital