TÉCNICAS DE CLASSIFICAÇÃO DE SEDIMENTOS DO FUNDO MARINHO POR IMAGENS DE SATÉLITE: UMA REVISÃO SISTEMÁTICA DE LITERATURA

Autores

DOI:

https://doi.org/10.66104/nxfq0t06

Palavras-chave:

sensoriamento remoto; sedimentos marinhos; aprendizado de máquina; imagens de satélite.

Resumo

Esta revisão sistemática de literatura tem como objetivo analisar as principais técnicas de classificação de sedimentos do fundo marinho a partir de imagens de satélite. A pesquisa foi conduzida nas bases IEEE Xplore, Scielo, PubMed e Google Acadêmico, abrangendo publicações entre 2015 e 2025. Os resultados evidenciam avanços significativos nas metodologias de sensoriamento remoto marinho, com destaque para a integração de sensores ópticos e altimétricos (Sentinel-2, Landsat 8 e ICESat-2) e para o uso combinado de modelos empíricos, regressões espectrais e algoritmos supervisionados como Random Forest, SVM e redes neurais convolucionais (CNNs). Embora predominem estudos voltados à batimetria, observou-se um crescimento gradual nas pesquisas dedicadas à classificação sedimentar óptica. As abordagens baseadas em aprendizado profundo mostraram-se promissoras, embora seu desempenho ainda seja limitado pela turbidez da água e pela escassez de dados rotulados. Conclui-se que a fusão multissensorial, associada à integração entre modelos empíricos e técnicas de aprendizado profundo, representa a principal tendência futura para aprimorar a acurácia, reduzir a dependência de levantamentos in situ e expandir o uso do sensoriamento remoto no monitoramento e gestão ambiental das zonas costeiras.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

  • Diego de Oliveira Dantas, Universidade Federal do Maranhão

    Doutorando em Engenharia Elétrica, pelo Departamento de Engenharia Elétrica, Laboratório da Informação Biológica, Universidade Federal do Maranhão.

  • Jailly Aparecida do Rosario Silva, Universidade do Estado do Pará

    Graduanda em Engenharia de Software pela Universidade do Estado do Pará

  • Marta de Oliveira Barreiros , Universidade do Estado do Pará

    Doutora em Engenharia Elétrica, professora do curso de Engenharia de Software da Universidade do Estado do Pará.

  • Jonathan Araujo Queiroz, Universidade Federal do Maranhão

    Doutor em Engenharia Elétrica. Departamento de Engenharia Elétrica, Laboratório de Processamento da Informação Biológica na Universidade Federal do Maranhão.

  • Allan Kardec Duailibe Barros Filho, Universidade Federal do Maranhão

    Doutor em Engenharia da Informação. Professor Titular no Departamento de Engenharia Elétrica, Laboratório de Processamento da Informação Biológica na Universidade Federal do Maranhão.

Referências

BRENAN, C.; KIENAST, M.; MASELLI, V.; ALGAR, C. K.; MISIUK, B.; BROWN, C. J. Seafloor sediment characterization improves estimates of organic carbon standing stocks: an example from the Eastern Shore Islands, Nova Scotia, Canada. EGUsphere, 2024. DOI: https://doi.org/10.5194/egusphere-2024-5. DOI: https://doi.org/10.5194/egusphere-2024-5-supplement

CAPIZZANO, C. W.; RHOADS, A. C.; CROTEAU, J. A.; TAYLOR, B. G.; GUARINELLO,

M. L.; SHUMCHENIA, E. J. Mapping seafloor sediment distributions using public geospatial data and machine learning to support regional offshore renewable energy development. Geosciences, v. 14, p. 186, 2024. DOI: https://doi.org/10.3390/geosciences14070186. DOI: https://doi.org/10.3390/geosciences14070186

CARRERETTE, O. et al. Macrobenthic assemblages across deep-sea pockmarks and carbonate mounds at Santos Basin, SW Atlantic. Ocean and Coastal Research, v. 70, p. e22045, 2022. DOI: https://doi.org/10.1590/2675-2824070.22081oc. DOI: https://doi.org/10.1590/2675-2824070.22081oc

CHEN, B.; MILLER, K.; BERTOZZI, A. L.; SCHWENK, J. Graph-based active learning for surface water and sediment detection in multispectral imagery. In: IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2023. arXiv:2306.10440. DOI: https://doi.org/10.48550/arXiv.2306.10440. DOI: https://doi.org/10.1109/IGARSS52108.2023.10282009

HILGERT, S.; SOTIRI, K.; FUCHS, S. Review of sediment detection methods in reservoirs. International Journal of Sediment Research, v. 39, n. 1, p. 28–43, 2024. DOI: https://doi.org/10.1016/j.ijsrc.2023.12.004. DOI: https://doi.org/10.1016/j.ijsrc.2023.12.004

INÁCIO, M. et al. Mapping and assessing marine ecosystem services supply in the Baltic Sea. Science of the Total Environment, v. 950, p. 175199, 2024. DOI: https://doi.org/10.1016/j.scitotenv.2024.175199. DOI: https://doi.org/10.1016/j.scitotenv.2024.175199

INNANGI, S.; INNANGI, M.; DI FEBBRARO, M.; DI MARTINO, G.; SACCHI, M.;

TONIELLI, R. Continuous, high-resolution mapping of coastal seafloor sediment distribution. Remote Sensing, v. 14, n. 5, p. 1268, 2022. DOI: https://doi.org/10.3390/rs14051268. DOI: https://doi.org/10.3390/rs14051268

KIM, K.-L.; WOO, H.-J.; JOU, H.-T.; JUNG, H. C.; LEE, S.-K.; RYU, J.-H. Surface sediment classification using a deep learning model and unmanned aerial vehicle data of tidal flats. Marine Pollution Bulletin, v. 198, p. 115823, 2024. DOI: https://doi.org/10.1016/j.marpolbul.2023.115823. DOI: https://doi.org/10.1016/j.marpolbul.2023.115823

KUTSER, T.; HEDLEY, J.; GIARDINO, C.; ROELFSEMA, C.; BRANDO, V. E. Remote sensing of shallow waters: a 50 year retrospective and future directions. Remote Sensing of Environment, v. 240, p. 111619, 2020. DOI: https://doi.org/10.1016/j.rse.2019.111619. DOI: https://doi.org/10.1016/j.rse.2019.111619

LI, S.; WANG, X. H.; MA, Y.; YANG, F. Satellite-derived bathymetry with sediment classification using ICESat-2 and multispectral imagery: case studies in the South China Sea and Australia. Remote Sensing, v. 15, n. 4, p. 1026, 2023. DOI: https://doi.org/10.3390/rs15041026. DOI: https://doi.org/10.3390/rs15041026

LOPES, [iniciais do nome]. Classificação de sedimentos da margem equatorial brasileira utilizando algoritmos. 2024. 67 f. Dissertação (Mestrado em Engenharia de Eletricidade) – Universidade Federal do Maranhão, São Luís, 2024. Disponível em: https://tedebc.ufma.br/jspui/handle/tede/5313. Acesso em: 9 out. 2025.

MENANDRO, P. S. et al. Multispectral multibeam backscatter response of heterogeneous rhodolith beds. Scientific Reports, v. 13, p. 20220, 2023. DOI: https://doi.org/10.1038/s41598-023-46240-7. DOI: https://doi.org/10.1038/s41598-023-46240-7

NETO, J. C. Geodiversidade da plataforma continental de Icapuí, Ceará: uma proposta de identificação de áreas chave em ambientes marinhos. 2017. 125 f. Tese (Doutorado em Geologia) – Universidade Federal do Ceará, Fortaleza, 2017. Disponível em: http://repositorio.ufc.br/handle/riufc/29898. Acesso em: 8 out. 2025.

OLIVEIRA, R. G. Mapeamento de habitats marinhos epibentônicos da porção nordeste da Baía de Todos os Santos – Bahia – Brasil. 2017. Dissertação (Mestrado em Geologia) – Universidade Federal da Bahia, Salvador, 2017. Disponível em: https://repositorio.ufba.br/handle/ri/23634. Acesso em: 8 out. 2025.

QIN, X.; LUO, X.; WU, Z.; SHANG, J. Optimizing the sediment classification of small side-scan sonar images based on deep learning. IEEE Access, v. 9, p. 1–?, 2021. DOI: https://doi.org/10.1109/ACCESS.2021.3052206. DOI: https://doi.org/10.1109/ACCESS.2021.3052206

VIÑA-BORJA, S. P.; FERNÁNDEZ-MORA, A.; STUMPF, R. P.; NAVARRO, G.; CABALLERO, I. Semi-automated bathymetry using Sentinel-2 for coastal monitoring in the Western Mediterranean. International Journal of Applied Earth Observation and Geoinformation, v. 120, p. 103328, 2023. DOI: https://doi.org/10.1016/j.jag.2023.103328. DOI: https://doi.org/10.1016/j.jag.2023.103328

VAN AN, N.; QUANG, N. H.; HOANG FILHO, T. P.; AN, T. T. Mapeamento de habitat bentônico de alta resolução a partir de aprendizado de máquina em imagens PlanetScope e dados ICESat-2. Journal of Applied Remote Sensing, 2023. DOI: https://doi.org/10.1080/10106049.2023.2184875. DOI: https://doi.org/10.1080/10106049.2023.2184875

WEI, C.; XIAO, Y.; FU, D.; ZHOU, T. Impact of turbidity on satellite-derived bathymetry: comparative analysis across seven ports in the South China Sea. Remote Sensing, v. 16, n. 23, p. 4349, 2024. DOI: https://doi.org/10.3390/rs16234349. DOI: https://doi.org/10.3390/rs16234349

ZHAO, Y.; ZHU, K.; ZHAO, T.; ZHENG, L.; DENG, X. Small-sample seabed sediment classification based on deep learning. Remote Sensing, v. 15, n. 8, p. 2178, 2023. DOI: https://doi.org/10.3390/rs15082178. DOI: https://doi.org/10.3390/rs15082178

ZHANG, N.; LI, H.; ZHANG, J.; CHEN, J.; WU, H.; GONG, Z. Study of the spatial and temporal distributions of tidal flat surface sediment based on multitemporal remote sensing. Frontiers in Marine Science, v. 10, p. 1109146, 2023. DOI: https://doi.org/10.3389/fmars.2023.1109146. DOI: https://doi.org/10.3389/fmars.2023.1109146

Downloads

Publicado

2026-02-27

Edição

v. 2 n. 03 (2026): REMUNOM - ISSN 2178-6925

Seção

Artigos

Licença

Copyright (c) 2026 Diego de Oliveira Dantas, Jailly Aparecida do Rosario Silva, Marta de Oliveira Barreiros , Jonathan Araujo Queiroz, Allan Kardec Duailibe Barros Filho

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Autores que publicam nesta revista concordam com os seguintes termos:
 

  • Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista;
  • Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista, desde que adpatado ao template do repositório em questão;
  • Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
  • Os autores são responsáveis por inserir corretamente seus dados, incluindo nome, palavras-chave, resumos e demais informações, definindo assim a forma como desejam ser citados. Dessa forma, o corpo editorial da revista não se responsabiliza por eventuais erros ou inconsistências nesses registros.

 

POLÍTICA DE PRIVACIDADE

Os nomes e endereços informados nesta revista serão usados exclusivamente para os serviços prestados por esta publicação, não sendo disponibilizados para outras finalidades ou a terceiros.

Obs: todo o conteúdo do trabalho é de responsabilidade do autor e orientador.

Como Citar

TÉCNICAS DE CLASSIFICAÇÃO DE SEDIMENTOS DO FUNDO MARINHO POR IMAGENS DE SATÉLITE: UMA REVISÃO SISTEMÁTICA DE LITERATURA. (2026). REMUNOM, 2(03), 1-21. https://doi.org/10.66104/nxfq0t06