Skip to main content
Todas as notícias
AI RADARSegurança
1•07/11/2026, 17:12•5 min de leitura

Experimento OSINT: local de vídeo de árvores é determinado pelo som de aviões

Experimento OSINT: local de vídeo de árvores é determinado pelo som de aviões - 1
Experimento OSINT: local de vídeo de árvores é determinado pelo som de aviões - 2
Experimento OSINT: local de vídeo de árvores é determinado pelo som de aviões - 3
Experimento OSINT: local de vídeo de árvores é determinado pelo som de aviões - 4
+1
Resumo executivo30 seg

Um autor de OSINT identificou o local e a data exatos da gravação de um vídeo aleatório de árvores usando apenas o som de aviões, dados ADS-B e um espectrograma.

Um experimento de OSINT publicado no YouTube mostra como um vídeo aleatório de árvores pode revelar o local e a hora exatos da gravação usando apenas o som de aviões que passam.

Os únicos dados iniciais eram:

  • o vídeo foi gravado em algum lugar dos Estados Unidos;
  • a data da gravação era 09/08/2026.

Com apenas esses dados, o autor acabou identificando um poste específico em Nova York, com uma câmera de rua usada para gravar o vídeo.

É melhor assistir ao vídeo, mas aqui está uma explicação de como isso foi feito.

A imagem do vídeo não ajudava, então o autor trabalhou apenas com o áudio. Ele abriu o áudio em um espectrograma e aumentou as frequências baixas. Lá encontrou dois arcos quase imperceptíveis: é assim que soa um avião a hélice passando, cujo tom primeiro é mais alto e depois mais baixo por causa do efeito Doppler. Entre os arcos passaram-se 920 segundos. Depois ele baixou dados ADS-B — coordenadas, altitude e horário de cada avião sobre os Estados Unidos naquele dia — e descartou todos os modelos a jato.

Em seguida, cobriu a área ao redor das rotas com uma grade de pontos espaçados a cada 200 m. Para cada ponto, calculou em que segundo ali se ouviria o momento em que o avião está mais próximo. O som precisa de tempo para chegar ao solo, e a distância até o avião foi calculada em linha reta considerando o relevo abaixo dele. A forma do arco deu mais duas pistas: a queda do tom indica a velocidade do avião, e a rapidez dessa queda indica a distância até ele. O último filtro foi o silêncio: durante 15 minutos entre passagens nenhum avião deveria ter sobrevoado, o que eliminou pontos perto de aeroportos. Depois de todos os filtros, restaram cerca de 15.000 pontos.

Para escolher um, ele usou o fato de que os arcos reais são irregulares: o avião faz curvas, acelera e desacelera. Para cada ponto, usando a trajetória real de cada voo, modelou o arco que uma pessoa ouviria exatamente ali, corrigindo o atraso do som. O modelo foi sobreposto ao espectrograma, e a pontuação dependia de quão precisamente ele se ajustava à linha real. Ele não ajustou o segundo arco; sua posição em relação ao primeiro é definida apenas pela trajetória. Para essa etapa, a grade foi refinada para 100 m.

Um par de voos obteve uma pontuação muito maior que os demais: os modelos quase se encaixaram perfeitamente nos dois arcos. Para verificar, ele pegou do mesmo registro um terceiro arco, completamente inaudível, e buscou apenas usando esse arco e o horário da gravação. O primeiro lugar voltou a ser o mesmo ponto. Ele o abriu no Google Street View na margem de Oyster Bay (Nova York) e comparou a silhueta das árvores com o quadro: uma árvore em forma da letra V, topo pontiagudo e copa arredondada. Tudo combinava, e em um poste próximo estava a mesma câmera de vigilância.

Estou certo de que, se esse vídeo fosse dado ao Claude, ele repetiria o resultado facilmente.

Por que isso importa

Análise

Este caso mostra como dados abertos de tráfego aéreo e análise acústica podem transformar gravações casuais em evidências geolocalizadas precisas. Para privacidade e segurança, é um lembrete de que vídeos sem metadados ainda podem conter sinais identificadores.

Debater na comunidade

Compartilhe suas dúvidas e insights com desenvolvedores

Entrar no Telegram
+5 Points
← Voltar ao feed de notícias

Relacionado no ecossistema

Guias práticos, terminologia essencial e skills de agentes