Inteligência artificial em imagens SAR: novas fronteiras para a Defesa Nacional

Autores

DOI:

https://doi.org/10.5902/2357797596612

Palavras-chave:

Inteligência artificial, Radar de Abertura Sintética, Deep learning, Inovação militar, Defesa Nacional

Resumo

Este estudo examina a aplicação estratégica da Inteligência Artificial (IA) em imagens de Radar de Abertura Sintética (SAR) para o monitoramento e a proteção de áreas críticas de interesse nacional. Com foco na Força Aérea Brasileira (FAB), a pesquisa adota uma abordagem qualitativa e exploratória, fundamentada em revisão sistemática da literatura e análise documental. O trabalho avalia modelos SVM, CNN, GAN e Transformer quanto à precisão, adaptabilidade e relevância operacional. Os resultados identificam três caminhos estratégicos — refinamento incremental, geração de dados sintéticos e integração híbrida —, demonstrando que a convergência entre IA e SAR fortalece a consciência situacional, apoia a tomada de decisões em domínios estratégicos e aprimora capacidades de defesa essenciais para a autonomia tecnológica e a soberania nacional.

Downloads

Não há dados estatísticos.

Biografia do Autor

Carlos Eduardo Franco Azevedo, Escola de Comando e Estado-Maior do Exército

Doutor em Administração pela Fundação Getúlio Vargas (FGV). Exerce a função de Assessor de Planejamento Estratégico e Inovação da Pró-Reitor de Pesquisa e Pós-Graduação da Escola de Comando e Estado-Maior do Exército (ECEME). Atua como Professor do Programa de Pós-Graduação em Ciências Militares, do Instituto Meira Mattos, na ECEME. Possui graduação em administração pela Academia Militar das Agulhas Negras, mestrado Operações Militares pela Escola de Aperfeiçoamento de Oficiais e mestrado em Ciências Militares pela Escola de Comando e Estado Maior do Exército (ECEME).

Luiz Fernando Rezende Ferraz, Força Aérea Brasileira

Coronel da Força Aérea Brasileira, realizou o Curso de Política, Estratégia e Alta Administração do Exército na Escola de Comando e Estado-Maior do Exército. Complementa sua trajetória acadêmica com pós-graduação em Inteligência Competitiva pela União Pioneira de Integração Social, pós-graduação em Gestão Pública pela Universidade da Força Aérea, pós-graduação em Planejamento e Gestão Estratégicos pela Universidade Estácio de Sá e pós-graduação executiva em Administração, com ênfase em Política e Estratégia, pela Fundação Getulio Vargas.

Gabriela Alves de Borba Costa, Escola de Comando e Estado-Maior do Exército

Professora Programa de Pós-Graduação em Ciências Militares pelo Instituto Meira Mattos da Escola de Comando e Estado-Maior do Exército. do Doutora e Mestre pelo mesmo programa. Foi Pesquisadora Convidada na Universidade Complutense de Madrid. Atuou como pesquisadora bolsista nível doutorado pela Coordenação de Aperfeiçoamento de Pessoal de Nível Superio (CAPES) e nível mestrado pela Fundação de Amparo à Pesquisa do Estado do Rio de Janeiro (FAPERJ). Bacharel em Relações Internacionais pela Universidade Federal de Santa Maria (2018). Integra a Rede IATQ (Inteligência Artificial e Tecnologias Quânticas).Tem interesse de pesquisa nas áreas de Gestão de Defesa, Inovação, Projetos Estratégicos e Metodologia da Pesquisa.

Referências

AEROSPACE OPERATIONS COMMAND. Report on the Development of Computer Vision at CCOI. Brazil: Brazilian Air Force, 1 July 2025.

ARAUJO, Gustavo F.; MACHADO, Renato; PETTERSSON, Mats I. Non-Cooperative SAR Automatic Target Recognition Based on Scattering Centers Models. Sensors, v. 22, n. 3, 2022, p. 1293.

AZEVEDO, Carlos Eduardo Franco; COSTA, Gabriela Alves de Borba; ARAÚJO, Laércio Eduardo de.Challenges for the Innovation Policy in the Brazilian Defense Sector. Revista da Escola de Guerra Naval, v. 27, n. 1, 2021, p. 121–160.

BARDIN, Laurence. Análise de conteúdo. São Paulo: Edições 70, 2011.

BEZERRA, Diego Xavier. Detection of Maritime Targets from Sentinel-1 Data in an Oceanic Region Adjacent to Northeastern Brazil. 2021. Dissertação (Mestrado) – Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2021.

BRAZILIAN AIR FORCE. COMAE begins autonomous operation of the Lessonia-1 Space System. Air Force News Agency, 18 March 2025.

COSTA, Gabriela Alves de Borba; AZEVEDO, Carlos Eduardo Franco; MOREIRA, Fernando Manuel Araújo.Quantum Technology and National Defense: Opportunities and Challenges for Brazil. Boletim de Conjuntura (BOCA), v. 23, n. 67, July 2025, p. 275–299.

CRESWELL, John W. Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. 5th ed. Thousand Oaks, CA: SAGE Publications, 2018.

DIETRICH, Olivier; PETERS, Torben; SAINTE FARE GARNOT, Vivien; STICHER, Valérie; TON-THAT WHELAN, Thao; SCHINDLER, Konrad; WEGNER, Jan Dirk. An Open-Source Tool for Mapping War Destruction at Scale in Ukraine using Sentinel-1 Time Series. arXiv preprint, 4 June 2024.

DOSOVITSKIY, Alexey; BEYER, Lucas; KOLESNIKOV, Alexander; WEISSENBORN, Dirk; ZHAI, Xiaohua; UNTERTHINER, Thomas; DEHGHANI, Mostafa; MINDERER, Matthias; HEIGOLD, Georg; GELLY, Sylvain; USZKOREIT, Jakob; HOULSBY, Neil. An Image Is Worth 16×16 Words: Transformers for Image Recognition at Scale. In: INTERNATIONAL CONFERENCE ON LEARNING REPRESENTATIONS (ICLR 2021).

FALQUETO, L. E.; PAES, R. L.; PASSARO, A. KNN e Rede Neural Convolucional para o Reconhecimento de Plataformas de Petróleo em Imagens SAR do Sentinel-1. Aplicações Operacionais em Áreas de Defesa, v. 24, n. 1, 2023, p. 29–33.

GOMES, João Paulo Pordeus; BRANCALION, José Fernando Basso; FERNANDES, David. Reconhecimento automático de alvos em imagens SAR utilizando-se wavelets e a classificação pela mínima distância e pelo MAP. São José dos Campos: Instituto Tecnológico de Aeronáutica; Embraer, 2015.

KELLNDORFER, Josef. Using SAR Data for Mapping Deforestation and Forest Degradation. In: FLORES, A.; HERNDON, K.; THAPA, R.; CHERRINGTON, E. (eds.). SAR Handbook: Comprehensive Methodologies for Forest Monitoring and Biomass Estimation. NASA, 2019.

KUCK, Tahisa Neitzel; SILVA FILHO, Paulo Fernando Ferreira; SANO, Edson Eyji; BISPO, Polyanna da Conceição; SHIGUEMORI, Elcio Hideiti; DALAGNOL, Ricardo. Change Detection of Selective Logging in the Brazilian Amazon Using X-band SAR Data and Pre-Trained Convolutional Neural Networks. Remote Sensing, v. 13, n. 23, 2021, p. 4944.

LEITE, B. R. de A.; HABERMANN, M. Utilização do SAR R-99 para busca marítima: metodologias e possibilidades de emprego. In: SIMPÓSIO DE APLICAÇÕES EM ÁREA DE DEFESA, 2013.

LEONARDO COMPANY. Gabbiano T-20 Radar Family – AESA Multimode Surveillance Radar Datasheet. Available at: https://electronics.leonardo.com/en/products/gabbiano-1. Access on: 28th Apr. 2025.

LINCOLN, Y. S.; GUBA, E. G. Naturalistic Inquiry. Beverly Hills: SAGE, 1985.

MESQUITA, A. S. Amazônia Azul e a FAB: uma análise prospectiva do emprego do P-3AM (Orion). Rio de Janeiro: Escola de Guerra Naval, 2012.

MEYER, Franz. Spaceborne Synthetic Aperture Radar – Principles, Data Access, and Basic Processing Techniques. In: FLORES, A.; HERNDON, K.; THAPA, R.; CHERRINGTON, E. (eds.). SAR Handbook: Comprehensive Methodologies for Forest Monitoring and Biomass Estimation. Huntsville: NASA, 2019, p. 21–44.

MINISTRY OF DEFENCE. Glossary of the Armed Forces – MD35-G-01. 5th ed. Brazil: Ministry of Defence, 2015.

MINISTRY OF DEFENCE. Strategic Space Systems Program – MD20-S-01. 1st Edition, 2018. Brasília: Joint Staff of the Armed Forces, 2018.

MINISTRY OF SCIENCE, TECHNOLOGY AND INNOVATION (Brazil). Projeto Lessônia: satélites da Força Aérea Brasileira são lançados com sucesso. Available at: https://www.gov.br/mcti/pt-br/acompanhe-o-mcti/noticias/2022/05/projeto-lessonia-satelites-da-forca-aerea-brasileira-sao-lancados-com-sucesso. Access on: 28th Apr. 2025.

MORGAN, David A. E. Deep Convolutional Neural Networks for ATR from SAR Imagery. In: PROCEEDINGS OF SPIE 9475, May 2015.

NASA EARTHDATA. Synthetic Aperture Radar (SAR). Available at: https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/sar. Access on: 28th Apr. 2025.

OLIVEIRA, Thays Felipe David de; AZEVEDO, Carlos Eduardo Franco; ARAÚJO-MOREIRA, Fernando Manuel. O papel das tecnologias quânticas na disputa geopolítica entre grandes potências e seu impacto na defesa do Brasil. Boletim de Conjuntura (BOCA), v. 22, n. 65, 2025, p. 268–296.

PATTON, Michael Quinn. Qualitative Research & Evaluation Methods: Integrating Theory and Practice. Thousand Oaks, CA: SAGE Publications, 2014.

RAMSEY, Christian R. Ivy Intelligence (IVI) Large-Scale Combat Operations Targeting. Military Review Online Exclusive, November 2024, p. 7.

SAATCHI, Sassan. SAR Methods for Mapping and Monitoring Forest Biomass. In: FLORES, A.; HERNDON, K.; THAPA, R.; CHERRINGTON, E. (eds.). SAR Handbook: Comprehensive Methodologies for Forest Monitoring and Biomass Estimation. NASA, 2019.

WANG, Ying; HAN, Ping; LU, Xiaoguang; WU, Renbiao; HUANG, Jingxiong. The Performance Comparison of Adaboost and SVM Applied to SAR ATR. In: INTERNATIONAL CONFERENCE ON RADAR – CIE 2006, 2006, p. 1–4.

XIA, Junfei; ROMEISER, Roland; ZHANG, Wei; ÖZGÖKMEN, Tamay. Use of Vision Transformer to Classify Sea Surface Phenomena in SAR Imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, v. 18, 2025, p. 10937–10956.

ZHANG, L.; ZHANG, Y. H.; YIN, H. C.; HE, S. Y.; ZHU, G. Q. A Fast SAR Target Indexing Method Based on Geometric Models. IEEE Transactions on Geoscience and Remote Sensing, v. 57, 2019, p. 10226–10240.

ZHAO, Q.; PRINCIPE, J. C. Support Vector Machines for SAR Automatic Target Recognition. IEEE Transactions on Aerospace and Electronic Systems, v. 37, n. 2, April 2001, p. 643–654.

Downloads

Publicado

2026-09-04

Edição

v. 17 n. 2 (2026): Publicação Contínua - Dossiê "A Defesa e a Segurança Pública no Sul Global: Governança, Capacidades e Autonomia Estratégica"

Seção

Artigos Dossiê

Licença

Creative Commons License

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