O Porto de Vigo quer transformar parte da Ría de Vigo em um sistema permanente de observação do ambiente marinho. No Brasil, um estudo que tem entre os autores Guilherme Longo, pesquisador do IntegraMar, mostra outro caminho para ampliar essa capacidade: combinar ciência cidadã, imagens e visão computacional.
Durante minha passagem por Vigo, uma página do Faro de Vigo me chamou a atenção. A manchete dizia:
“El Puerto pone ojos y oídos bajo el agua” — “O Porto põe olhos e ouvidos debaixo d’água”.
A reportagem, assinada por José Carneiro e publicada em 6 de setembro de 2026, conta que o Porto de Vigo prepara uma nova etapa de monitoramento dentro do Peiraos do Solpor. A proposta é usar câmeras submarinas, hidrofones, sensores ambientais e inteligência artificial para acompanhar em tempo real o que acontece sob as águas da Ría de Vigo. Esses dados deverão alimentar um Gêmeo Digital Ambiental da Ría, reunindo informações sobre qualidade da água, paisagem acústica submarina e presença de diferentes organismos.
Fonte: CARNEIRO, José. El Puerto pone ojos y oídos bajo el agua. Faro de Vigo, seção Vigo, 6 de setembro de 2026, p. 4. Edição impressa.
Mas antes de falar das câmeras, vale explicar o que é o Peiraos do Solpor — algo como “Cais do Pôr do Sol”, em tradução livre do galego.
É um programa desenvolvido pelo Porto de Vigo dentro de sua estratégia Blue Growth, ou Crescimento Azul. A ideia é transformar parte das chamadas infraestruturas cinzentas de um porto — estruturas de concreto construídas prioritariamente para funções portuárias — em infraestruturas verdes, capazes também de reproduzir alguns processos encontrados na natureza.
Na prática, o programa junta engenharia portuária, conservação e restauração de ecossistemas. Entre seus objetivos estão criar estruturas que possam servir de habitat para organismos marinhos, favorecer a biodiversidade, recuperar funções ecológicas perdidas com a urbanização da costa e aproximar a população do ambiente existente debaixo da água.
Fonte: https://bluegrowthvigo.eu/proyecto/peiraos-do-solpor
Um exemplo ajuda a entender.
Em uma das primeiras experiências associadas ao programa, chamada PuertAlMar, pesquisadores trabalharam com estruturas artificiais desenhadas para facilitar a fixação de organismos marinhos em áreas do porto. Para isso, recorreram inclusive à biomimética: em vez de criar uma superfície de concreto lisa, tentaram reproduzir formas encontradas na natureza que oferecem melhores condições para a colonização por diferentes espécies.
Fonte: https://bluegrowthvigo.eu/proyecto/peiraos-do-solpor
Em outra frente, o projeto Living Ports instalou soluções destinadas a aumentar a biodiversidade das estruturas portuárias e criou o Nautilus, um visor submarino que permite observar diretamente o ambiente marinho da dársena de A Laxe. Inaugurado em 2023, o observatório já contava com câmeras de gravação submarina 24 horas por dia. O objetivo declarado do projeto é compatibilizar a atividade portuária com melhores condições ecológicas e, ao mesmo tempo, tornar esse ambiente visível para a população.
Fonte: Autoridade Portuária de Vigo — inauguração do Nautilus, 24 de março de 2023.
É nesse contexto que a reportagem do Faro de Vigo fica mais interessante.
Não se trata apenas de colocar algumas câmeras no fundo do mar.
O Porto pretende ampliar e integrar o monitoramento de um ambiente que ele próprio vem tentando modificar ecologicamente. A nova etapa descrita pelo jornal se concentra em Bouzas, no entorno de Peiraos do Solpor, onde fica o observatório submarino Atlântida.
Do outro lado do Atlântico, outro jeito de criar olhos para o oceano
Existe uma conexão muito interessante com um trabalho desenvolvido no Brasil.
O projeto #DeOlhoNosCorais, criado pelo Laboratório de Ecologia Marinha da Universidade Federal do Rio Grande do Norte, parte de uma estratégia bastante diferente daquela usada em Vigo.
Em vez de depender apenas de equipamentos instalados permanentemente no mar, o projeto utiliza também fotografias produzidas por pessoas.
A iniciativa incentiva usuários sem treinamento científico prévio a publicar imagens de corais no Instagram usando a hashtag #DeOlhoNosCorais. A equipe científica analisa os registros, identifica organismos e reúne informações sobre os corais encontrados ao longo da costa brasileira.
Essa abordagem está na origem do estudo “#DeOlhoNosCorais: a polygonal annotated dataset to optimize coral monitoring”, publicado na revista científica PeerJ em 2023. Entre os autores está Guilherme O. Longo, pesquisador do IntegraMar.
Artigo original: https://peerj.com/articles/16219/
O problema que os pesquisadores tentaram atacar é relativamente simples de explicar:
hoje conseguimos produzir imagens do fundo do mar em uma escala muito maior do que conseguimos analisá-las.
Uma pessoa mergulhando pode registrar dezenas ou centenas de fotografias. Um projeto de ciência cidadã pode receber imagens produzidas por muitas pessoas, em diferentes lugares e momentos. Sistemas automatizados, como aquele descrito pelo jornal em Vigo, podem produzir registros continuamente.
Mas alguém ainda precisa olhar para tudo isso.
É preciso identificar os organismos, determinar onde eles aparecem na fotografia, classificar os registros e transformar uma coleção de imagens em informação que possa ser analisada cientificamente.
Quanto maior o volume de fotografias, maior pode se tornar esse gargalo.
Ensinando uma máquina a encontrar corais
Figura: Cinco exemplos de previsões utilizando a U-net (Pix2Pix) no conjunto de teste (Furtado, 2022).
No estudo do #DeOlhoNosCorais, os pesquisadores construíram um conjunto de dados com 1.411 imagens feitas entre 2014 e 2021 em recifes brasileiros, reunindo 21 classes de corais escleractíneos, hidrocorais e zoantídeos. Nas análises, os autores agruparam esses organismos sob o termo “corais”.
As imagens não vieram exclusivamente das redes sociais: além dos registros públicos coletados no Instagram, o conjunto incluiu fotografias produzidas por mergulhadores do próprio grupo de pesquisa do LECOM-UFRN.
Fonte: https://peerj.com/articles/16219/
E havia uma diferença importante nesse banco de imagens.
Cada fotografia não recebeu apenas uma etiqueta dizendo qual era a principal classe encontrada ali. Os pesquisadores também produziram mapas de segmentação, marcando onde os organismos apareciam dentro de cada imagem.
Fonte: https://peerj.com/articles/16219/
Essa diferença parece pequena, mas muda bastante o problema.
Identificar a classe do organismo que aparece em uma fotografia é uma tarefa.
Fazer com que um computador consiga olhar para a mesma fotografia e indicar onde está o coral é outra.
A segunda possibilidade abre caminho para sistemas capazes de processar grandes quantidades de imagens e localizar automaticamente as regiões que interessam aos pesquisadores.
Para testar até onde era possível chegar, os autores fizeram experimentos de classificação de imagens e de segmentação semântica. Embora o banco reunisse 21 classes, os testes de classificação utilizaram apenas aquelas com pelo menos 50 imagens disponíveis para treinamento: sete no experimento com imagens completas e oito no experimento com recortes.
No teste usando as imagens completas, a combinação com melhor desempenho foi a EfficientNetB7 associada à regressão logística, que alcançou 71% de acurácia no conjunto de teste.
No experimento com recortes em torno dos organismos, a combinação EfficientNetB0 + regressão logística chegou a 79% de acurácia no conjunto de teste. O próprio estudo observa que, em alguns casos, as informações presentes no restante da fotografia podem prejudicar a previsão do modelo. Como também mudaram a arquitetura utilizada, o número de classes e a quantidade de exemplos, a diferença de desempenho não pode ser atribuída exclusivamente ao recorte.
Fonte: https://peerj.com/articles/16219/
Na segmentação semântica, a pergunta era diferente.
Nesse teste, o objetivo era localizar os organismos, distinguindo, pixel por pixel, as categorias “coral” e “não coral”. A segunda categoria inclui tudo o que não foi marcado como coral, e não apenas o fundo do mar.
O modelo U-Net Pix2Pix alcançou 86% de acurácia por pixel no conjunto de teste, com um mIoU de 0,70. Essa métrica resume a sobreposição entre as regiões previstas pelo algoritmo e as marcações dos pesquisadores, considerando as classes “coral” e “não coral”.
Fonte: https://peerj.com/articles/16219/
São resultados promissores, mas talvez uma das partes mais interessantes do artigo esteja justamente nos erros.
O que a máquina estava realmente olhando?
Figura: Resultados do LIME para a Fig. 9A: (A) Top 1 para EfficientNetB7+LR, (B) Top 1 para ResNet101, (C) Top 1 para ResNet (PLC), (D) Top 2 para EfficientNetB7+LR, (E) Top 2 para ResNet101 (ImageNet), (F) Top 2 para ResNet (PLC).
Os pesquisadores utilizaram uma técnica chamada LIME em três imagens do conjunto de teste para tentar entender quais partes das fotografias estavam influenciando as decisões dos modelos.
Isso permite enxergar um problema que normalmente fica escondido quando olhamos apenas para a porcentagem de acertos.
Nos dois primeiros exemplos analisados, os modelos se concentravam na região central do coral.
Mas não apenas nele.
Em uma das análises, o EfficientNetB7 também reagiu à presença de um peixe e uma sombra na imagem. Os modelos baseados em ResNet101 prestaram ainda mais atenção a áreas como areia e fundo da fotografia. Em outro exemplo que continha texto sobreposto à imagem, nenhum dos modelos conseguiu classificar corretamente o registro como primeira opção.
Fonte: https://peerj.com/articles/16219/
Esse detalhe é importante porque ajuda a tirar a inteligência artificial daquele lugar quase mágico em que ela costuma aparecer quando falamos sobre tecnologia.
O algoritmo não “entende” um recife da mesma forma que um pesquisador que passou anos estudando aquele ecossistema.
Ele aprende padrões.
E algumas vezes esses padrões estão justamente no organismo que queremos identificar. Em outras, podem estar em uma sombra, em um peixe, na areia, no fundo da imagem ou até em um texto colocado sobre a fotografia.
Por isso, talvez a pergunta mais interessante não seja quando uma máquina vai substituir alguém que sabe identificar um coral.
A pergunta é outra:
quanto do trabalho repetitivo de analisar milhares de imagens pode ser automatizado para que pesquisadores consigam observar muito mais do oceano?
O problema da escala
Essa possibilidade não está restrita ao trabalho brasileiro.
Em 2020, pesquisadores publicaram na revista Remote Sensing um estudo sobre o uso de inteligência artificial para analisar fotografias de recifes de diferentes regiões do mundo.
Ao comparar as estimativas automatizadas de cobertura bentônica — a proporção do fundo ocupada pelos diferentes grupos de organismos e tipos de substrato — com aquelas feitas por especialistas, os pesquisadores encontraram forte correspondência, com coeficiente de determinação R² de 0,97.
Talvez ainda mais interessante seja a diferença de escala.
Segundo os autores, o sistema automatizado conseguia processar aproximadamente 1.200 imagens por hora nas condições avaliadas.
Fonte — Monitoring of Coral Reefs Using Artificial Intelligence: A Feasible and Cost-Effective Approach: https://www.mdpi.com/2072-4292/12/3/489
Os próprios autores fazem uma ressalva importante: a proposta não é simplesmente eliminar a participação dos especialistas. Modelos precisam ser treinados, calibrados e avaliados, e há limites na resolução taxonômica e nos tipos de organismos que conseguem reconhecer.
Fonte: https://www.mdpi.com/2072-4292/12/3/489
É aqui que os projetos de Vigo e do #DeOlhoNosCorais começam a se encontrar.
Não porque sejam o mesmo projeto — não são.
Nem porque utilizem exatamente a mesma tecnologia — também não.
A conexão está no problema que aparece quando começamos a multiplicar nossa capacidade de observar o mar.
Muitos olhos em um lugar. Muitos olhos em muitos lugares.
Em Vigo, câmeras e sensores podem formar uma rede fixa, observando continuamente um mesmo ambiente.
A vantagem é acompanhar aquele lugar ao longo do tempo.
Uma câmera instalada hoje pode continuar olhando amanhã, no mês seguinte e no ano seguinte. Sensores podem registrar mudanças na água enquanto hidrofones captam o ambiente acústico submarino. A proposta descrita pelo Faro de Vigo é justamente integrar essas informações a um sistema de monitoramento em tempo real.
Fonte: CARNEIRO, José. El Puerto pone ojos y oídos bajo el agua. Faro de Vigo, seção Vigo, 6 de setembro de 2026, p. 4. Edição impressa.
No #DeOlhoNosCorais, a lógica é quase inversa.
Em vez de poucos sensores observando continuamente um lugar, muitas pessoas podem produzir registros de lugares diferentes.
Um mergulhador em Pernambuco, outro no Rio Grande do Norte e outro na Bahia podem criar observações completamente distintas de uma costa que possui milhares de quilômetros.
Um modelo concentra muitos olhos em um lugar. O outro espalha muitos olhos por muitos lugares.
Nos dois casos aparece o mesmo desafio.
Quanto mais conseguimos observar, maior é a quantidade de informação que precisamos interpretar.
E talvez seja justamente aí que a inteligência artificial tenha uma contribuição particularmente interessante para o monitoramento marinho.
Não necessariamente substituindo o conhecimento de quem estuda esses ecossistemas, mas aumentando a quantidade de informação que essas pessoas conseguem processar.
Os próprios autores do trabalho do #DeOlhoNosCorais apresentam o conjunto de dados e os experimentos como uma base para melhorar ferramentas de classificação e segmentação e apontam a possibilidade de combinar esses dados com outros bancos de imagens para reduzir tempo e custo na análise de fotografias de recifes em diferentes regiões.
Fonte: https://peerj.com/articles/16219/
Estamos multiplicando nossos olhos debaixo d’água
Por muito tempo, uma das limitações para entender o que acontece debaixo da água era bastante física:
precisávamos estar lá para ver.
Isso está mudando.
Sensores podem permanecer no fundo do mar quando nenhum pesquisador está presente.
Câmeras podem produzir registros continuamente.
Mergulhadores e turistas carregam equipamentos capazes de produzir fotografias com uma qualidade e uma quantidade impensáveis algumas décadas atrás.
Projetos de ciência cidadã podem transformar parte dessas imagens em observações úteis para pesquisadores.
E algoritmos começam a ajudar a organizar volumes de informação que seriam muito difíceis de analisar manualmente.
Talvez por isso aquela manchete que encontrei no jornal em Vigo tenha chamado tanto a minha atenção:
“El Puerto pone ojos y oídos bajo el agua” — “O Porto põe olhos e ouvidos debaixo d’água”.
Em Vigo, alguns desses olhos estarão ligados a estruturas no fundo de um porto.
No Brasil, outros já estão nas mãos de pessoas fotografando corais.
A tecnologia está nos permitindo multiplicar nossa capacidade de observar o oceano.