Automated Detection of Illegal Mining Vessels Using SAR Imagery and Deep Neural Networks
Resumo
Este trabalho apresenta um sistema automatizado para detectar embarcações de pequeno porte do garimpo ilegal em imagens de radar de abertura sintética (SAR) do Sentinel-1, usando redes neurais profundas. A área de estudo é a calha do Rio Madeira, entre Rondônia e Amazonas, com dados da seca de 2025 do Google Earth Engine. O curso hídrico foi segmentado em cinco áreas de interesse, incluindo uma zona de controle em Humaitá (AM) para amostragem negativa. Avaliou-se a U-Net com os codificadores ResNet34 e ResNet50, em recortes de 256 × 256 com perda híbrida BCE e Dice. Priorizando a validação por objeto, a ResNet34 obteve o melhor resultado, com F1-Score de 0,841 e alta robustez a falsos positivos.
Referências
Braga, D., Aragão, L. E. O. C., Leão, H., Osborn, F., Wagner, F. H., Cabral, B. F., Dutra, D. J., Izidoro, B., Anderson, L. O., Chaves, J. H., Pantoja, N., Saatchi, S., and Dalagnol, R. (2026). Monitoring sustainable logging in an Amazon forest under management using deep learning and Planet NICFI imagery. International Journal of Remote Sensing, 47(3):1287–1312.
Brasil (1991). Lei nº 8.176, de 8 de fevereiro de 1991. define crimes contra a ordem econômica e cria o sistema de estoques de combustíveis. Diário Oficial da União, Brasília, DF. [link].
De Felice, C. H., Shiguemori, E. H., Paes, R. L., Martins, D. F., and Dos Santos, M. (2025). Multistage algorithm for automatic mining dredges detection on Amazonian rivers using SAR. In 2025 Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS), pages 1–7.
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Li, F.-F. (2009). ImageNet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition, pages 248–255.
Diniz, C., Cortinhas, L., Sadeck, L., Walfir, P., Shimbo, J., Rosa, M., and Azevedo, T. (2021). Nota técnica sobre garimpo no rio Madeira. Technical report, Projeto MapBiomas. [link].
Francisco, M. S. (2025). Estudo da expansão do garimpo ilegal na Amazônia Ocidental transfronteiriça (Brasil-Colômbia) de 2017 a 2025, utilizando o método das componentes principais em imagens de sensoriamento remoto óticas e de radar. Master’s thesis, Universidade de São Paulo, São Paulo.
Gao, L., Wang, C., Liu, K., Chen, S., Dong, G., and Su, H. (2022). Extraction of floating raft aquaculture areas from sentinel-1 SAR images by a dense residual U-Net model with pre-trained ResNet34 as the encoder. Remote Sensing, 14(13):3003.
Gomes, L. d. S., Stabile, G. H. d. Q., Kuck, T. N., de Figueiredo, F. A. P., Shiguemori, E. H., and Alves, D. I. (2026). A Sentinel-1 SAR imagery dataset for airstrips detection and segmentation in the Brazilian Amazon Rainforest. Data in Brief, 65:112472.
Greenpeace Brasil (2025). Greenpeace flagra mais de 500 balsas de garimpo em sobrevoo no rio Madeira. Blog do Greenpeace Brasil. [link].
Guitarrara, P. (2026). Floresta Amazônica. Brasil Escola. [link].
He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image recognition. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 770–778.
Linares, S., André, M., Commins, J., Joubert, P., and Gond, V. (2024). The observatory of mining activities in French Guiana: 20 years of remote sensing applied to mining deforestation. Technical report.
Macedo, L. (2025). Monitoramento por satélite revela que mais de 130 balsas de garimpo ilegal estão em operação em rio do AM. Portal G1 Amazonas. [link].
Manos, E., Witharana, C., Udawalpola, M. R., Hasan, A., and Liljedahl, A. K. (2022). Convolutional neural networks for automated built infrastructure detection in the Arctic using sub-meter spatial resolution satellite imagery. Remote Sensing, 14(11):2719.
Milletari, F., Navab, N., and Ahmadi, S.-A. (2016). V-Net: Fully convolutional neural networks for volumetric medical image segmentation. arXiv preprint arXiv:1606.04797.
Ministério Público Federal (2025). COP30: MPF mira plataformas digitais para frear garimpo ilegal de ouro na Amazônia. Notícias do MPF. [link] nia.
Nobre, A. D. (2014). O futuro climático da amazônia: Relatório de avaliação científica. Technical report, Articulación Regional Amazónica (ARA), São Paulo.
Pereira, D. H. C., Gomes, R. A. T., Carvalho Júnior, O. A. d., and Guimarães, R. F. (2024). Identificação de garimpos de ouro embarcados por meio de algoritmos de classificação em imagens Sentinel-2. Sociedade & Natureza, 36.
Peres, L. G. M., Ferreira, G. H. S., Filho, D. J. C., de Oliveira, L. T., and Pereira, D. O. S. (2023). Identificação de garimpos na Amazônia brasileira por meio de detecção de mudanças e índices de vegetação em imagens PlanetScope. In Anais do XX Simpósio Brasileiro de Sensoriamento Remoto (SBSR), Florianópolis. INPE.
Projeto MapBiomas (2022). 91,6% da área garimpada no brasil ficam no bioma Amazônia. Relatórios e Notícias MapBiomas. [link].
Projeto MapBiomas (2023). Amazônia concentra mais de 90% do garimpo no brasil. Relatórios e Notícias MapBiomas. [link].
Ronneberger, O., Fischer, P., and Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. In Medical Image Computing and Computer-Assisted Intervention (MICCAI), pages 234–241. Springer.
Silva, R., Guimarães, U. S., Garcia, D. C., Vieira, H., and Hung, E. M. (2025). Deep-learning deforestation detection in the Legal Amazon area based on Sentinel-1 data. Remote Sensing Applications: Society and Environment, 40:101747.
Sudre, C. H., Li, W., Vercauteren, T., Ourselin, S., and Jorge Cardoso, M. (2017). Generalised Dice overlap as a deep learning loss function for highly unbalanced segmentations. In Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support, pages 240–248. Springer.
Vu, T. H., Backhaus, L., Binh, D. V., Kantoush, S. A., and Stamm, J. (2025). Applying deep learning for boat detection and numerical modeling to assess sand mining impacts on river morphology: A case study in the vietnamese mekong delta. Geomorphology, 490:110010.
Zhu, X. X., Tuia, D., Mou, L., Xia, G.-S., Zhang, L., Xu, F., and Fraundorfer, F. (2017). Deep Learning in Remote Sensing: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine, 5(4):8–36.
Brasil (1991). Lei nº 8.176, de 8 de fevereiro de 1991. define crimes contra a ordem econômica e cria o sistema de estoques de combustíveis. Diário Oficial da União, Brasília, DF. [link].
De Felice, C. H., Shiguemori, E. H., Paes, R. L., Martins, D. F., and Dos Santos, M. (2025). Multistage algorithm for automatic mining dredges detection on Amazonian rivers using SAR. In 2025 Latin American GRSS & ISPRS Remote Sensing Conference (LAGIRS), pages 1–7.
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Li, F.-F. (2009). ImageNet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition, pages 248–255.
Diniz, C., Cortinhas, L., Sadeck, L., Walfir, P., Shimbo, J., Rosa, M., and Azevedo, T. (2021). Nota técnica sobre garimpo no rio Madeira. Technical report, Projeto MapBiomas. [link].
Francisco, M. S. (2025). Estudo da expansão do garimpo ilegal na Amazônia Ocidental transfronteiriça (Brasil-Colômbia) de 2017 a 2025, utilizando o método das componentes principais em imagens de sensoriamento remoto óticas e de radar. Master’s thesis, Universidade de São Paulo, São Paulo.
Gao, L., Wang, C., Liu, K., Chen, S., Dong, G., and Su, H. (2022). Extraction of floating raft aquaculture areas from sentinel-1 SAR images by a dense residual U-Net model with pre-trained ResNet34 as the encoder. Remote Sensing, 14(13):3003.
Gomes, L. d. S., Stabile, G. H. d. Q., Kuck, T. N., de Figueiredo, F. A. P., Shiguemori, E. H., and Alves, D. I. (2026). A Sentinel-1 SAR imagery dataset for airstrips detection and segmentation in the Brazilian Amazon Rainforest. Data in Brief, 65:112472.
Greenpeace Brasil (2025). Greenpeace flagra mais de 500 balsas de garimpo em sobrevoo no rio Madeira. Blog do Greenpeace Brasil. [link].
Guitarrara, P. (2026). Floresta Amazônica. Brasil Escola. [link].
He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image recognition. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 770–778.
Linares, S., André, M., Commins, J., Joubert, P., and Gond, V. (2024). The observatory of mining activities in French Guiana: 20 years of remote sensing applied to mining deforestation. Technical report.
Macedo, L. (2025). Monitoramento por satélite revela que mais de 130 balsas de garimpo ilegal estão em operação em rio do AM. Portal G1 Amazonas. [link].
Manos, E., Witharana, C., Udawalpola, M. R., Hasan, A., and Liljedahl, A. K. (2022). Convolutional neural networks for automated built infrastructure detection in the Arctic using sub-meter spatial resolution satellite imagery. Remote Sensing, 14(11):2719.
Milletari, F., Navab, N., and Ahmadi, S.-A. (2016). V-Net: Fully convolutional neural networks for volumetric medical image segmentation. arXiv preprint arXiv:1606.04797.
Ministério Público Federal (2025). COP30: MPF mira plataformas digitais para frear garimpo ilegal de ouro na Amazônia. Notícias do MPF. [link] nia.
Nobre, A. D. (2014). O futuro climático da amazônia: Relatório de avaliação científica. Technical report, Articulación Regional Amazónica (ARA), São Paulo.
Pereira, D. H. C., Gomes, R. A. T., Carvalho Júnior, O. A. d., and Guimarães, R. F. (2024). Identificação de garimpos de ouro embarcados por meio de algoritmos de classificação em imagens Sentinel-2. Sociedade & Natureza, 36.
Peres, L. G. M., Ferreira, G. H. S., Filho, D. J. C., de Oliveira, L. T., and Pereira, D. O. S. (2023). Identificação de garimpos na Amazônia brasileira por meio de detecção de mudanças e índices de vegetação em imagens PlanetScope. In Anais do XX Simpósio Brasileiro de Sensoriamento Remoto (SBSR), Florianópolis. INPE.
Projeto MapBiomas (2022). 91,6% da área garimpada no brasil ficam no bioma Amazônia. Relatórios e Notícias MapBiomas. [link].
Projeto MapBiomas (2023). Amazônia concentra mais de 90% do garimpo no brasil. Relatórios e Notícias MapBiomas. [link].
Ronneberger, O., Fischer, P., and Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. In Medical Image Computing and Computer-Assisted Intervention (MICCAI), pages 234–241. Springer.
Silva, R., Guimarães, U. S., Garcia, D. C., Vieira, H., and Hung, E. M. (2025). Deep-learning deforestation detection in the Legal Amazon area based on Sentinel-1 data. Remote Sensing Applications: Society and Environment, 40:101747.
Sudre, C. H., Li, W., Vercauteren, T., Ourselin, S., and Jorge Cardoso, M. (2017). Generalised Dice overlap as a deep learning loss function for highly unbalanced segmentations. In Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support, pages 240–248. Springer.
Vu, T. H., Backhaus, L., Binh, D. V., Kantoush, S. A., and Stamm, J. (2025). Applying deep learning for boat detection and numerical modeling to assess sand mining impacts on river morphology: A case study in the vietnamese mekong delta. Geomorphology, 490:110010.
Zhu, X. X., Tuia, D., Mou, L., Xia, G.-S., Zhang, L., Xu, F., and Fraundorfer, F. (2017). Deep Learning in Remote Sensing: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine, 5(4):8–36.
Publicado
19/10/2026
Como Citar
CARVALHO, Rita de Cássia; CASTRO, Fellipe; NETO, Nelson.
Automated Detection of Illegal Mining Vessels Using SAR Imagery and Deep Neural Networks. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 23. , 2026, Cuiabá/MT.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 2149-2160.
ISSN 2763-9061.
DOI: https://doi.org/10.5753/eniac.2026.31531.
