Os mapas foram publicados hoje no periódico Nature. A pesquisa liderada pelo Global Fishing Watch, uma organização sem fins lucrativos apoiada pelo Google, revelou que uma quantidade impressionante de três quartos das embarcações industriais de pesca do mundo não são rastreadas publicamente. Até 30% dos navios de transporte e energia também escapam do rastreamento público. Esses pontos cegos poderiam dificultar os esforços globais de conservação, dizem os pesquisadores. Para proteger melhor os oceanos e pescarias do mundo, os formuladores de políticas precisam de uma imagem mais precisa de onde as pessoas estão explorando recursos no mar.
“A questão é qual os 30% que deveríamos proteger?”, diz David Kroodsma, um dos autores do artigo na Nature e diretor de pesquisa e inovação do Global Fishing Watch. Até agora, o Global Fishing Watch e outras organizações dependiam principalmente do Sistema Automático de Identificação Marítima (AIS) para ver o que acontecia no mar. O sistema rastreia embarcações que carregam uma caixa que emite sinais de rádio, e os dados já foram usados no passado para documentar sobrepesca e trabalho forçado em embarcações. Ainda assim, há limitações significativas com o sistema. Os requisitos para carregar o AIS variam por país e tipo de embarcação. E é bastante fácil para alguém desligar a caixa quando quiser evitar detecção ou navegar por locais onde a intensidade do sinal é irregular.
Para preencher as lacunas, Kroodsma e seus colegas analisaram 2.000 terabytes de imagens da constelação de satélites Sentinel-1 da Agência Espacial Europeia. Em vez de fazer imagens ópticas tradicionais, como tirar fotos com uma câmera, o Sentinel-1 usa instrumentos avançados de radar para observar a superfície da Terra. O radar pode penetrar nuvens e “ver” no escuro – e conseguiu detectar atividades offshore que o AIS perdeu.
A análise de dados revela que cerca de 75% das embarcações industriais de pesca do mundo não são rastreadas publicamente, com grande parte da pesca ocorrendo em torno da África e da Ásia Meridional. Desde que 2.000 terabytes é uma quantidade enorme de dados para processar, os pesquisadores desenvolveram três modelos de aprendizado profundo para classificar cada embarcação detectada, estimar seu tamanho e distinguir diferentes tipos de infraestrutura offshore. Eles monitoraram cerca de 15% dos oceanos do mundo, onde se concentram 75% da atividade industrial, prestando atenção tanto aos movimentos de embarcações quanto ao desenvolvimento de estruturas offshore estacionárias, como plataformas de petróleo e turbinas eólicas, entre 2017 e 2021.
Quando perguntado se este tipo de estudo teria sido possível sem inteligência artificial, “A resposta curta é não, eu não acho”, diz Fernando Paolo, autor principal do estudo e engenheiro de machine learning no Global Fishing Watch. “A aprendizagem profunda se destaca na detecção de padrões em grandes volumes de dados.” Novas ferramentas de machine learning desenvolvidas como software de código aberto para processar imagens de satélite globais “democratizam o acesso a dados e ferramentas e permitem que pesquisadores, analistas e formuladores de políticas em países de baixa renda aproveitem tecnologias de rastreamento com baixo custo”, diz outro artigo publicado na Nature hoje, que comenta a pesquisa de Paolo e Kroodsma.
#tecnologia #primeirapágina #dasAlteraçõesClimáticas #ambiente #Ciência #energia