Aprendizado de máquina e radar melhor resolvem o problema da “cobertura de nuvens”

As nuvens têm sido, por décadas, um bicho-papão para o sensoriamento remoto da temperatura da superfície terrestre — uma das métricas mais importantes do sistema terrestre, usada em tudo, desde o rastreamento de mudanças climáticas até a previsão de incêndios florestais. Uma nova abordagem que incorpora aprendizado de máquina parece ter resolvido esse desafio

O rastreamento da temperatura da superfície terrestre por sensoriamento remoto é frequentemente atormentado pela cobertura de nuvens. Técnicas tradicionais que fazem suposições fundamentadas sobre temperaturas abaixo das nuvens são úteis, mas sofrem de erros significativos. No entanto, uma nova abordagem que incorpora uma nova técnica de radar, melhores modelos de elevação e aprendizado de máquina parece pronta para mudar o jogo.

Um artigo descrevendo a nova abordagem foi publicado no Revista de Sensoriamento Remoto em 26 de junho.

A medição da temperatura da superfície da Terra por satélite ou sensores aéreos (“sensoriamento remoto”) é crucial para monitorar uma ampla gama de condições ambientais, desde o mapeamento da saúde da vegetação até a avaliação do estresse hídrico, monitoramento das mudanças climáticas e previsão de incêndios florestais. É totalmente essencial na agricultura, onde informa práticas de irrigação, e é usada por formuladores de políticas e planejadores para observar padrões climáticos, estudar o efeito de ilha de calor urbana e prever desastres naturais.

A temperatura da superfície terrestre é simplesmente uma das métricas mais importantes que a sociedade precisa monitorar.

Infelizmente, a cobertura de nuvens apresenta desafios significativos no sensoriamento remoto ao obstruir a visão da superfície da Terra, levando a lacunas substanciais na coleta de dados. Essa interferência pode resultar em medições imprecisas ou incompletas da temperatura da superfície terrestre. Particularmente em regiões com nebulosidade persistente, os pesquisadores muitas vezes lutam para obter dados confiáveis.

Para superar o problema da cobertura de nuvens, até agora, pesquisadores e outros que monitoram a temperatura da superfície terrestre têm usado métodos de interpolação. Sempre que há uma lacuna nos dados coletados como resultado da cobertura de nuvens, as observações de cada lado das nuvens são usadas para prever qual deve ser a temperatura sob as nuvens. Isso pode ser feito temporalmente, bem como espacialmente, onde as medições da temperatura da superfície terrestre de períodos de tempo adjacentes são usadas para preencher lacunas durante condições nubladas.

“Enquanto a lacuna espacial ou temporal for pequena, quaisquer erros serão bem pequenos”, disse Jingbo Li, autor principal do estudo e aluno de doutorado no Key Laboratory of Quantitative Remote Sensing da Beijing Academy of Agriculture and Forestry Sciences. “Mas quando a lacuna é grande, começamos a ver erros significativos.”

Isso é um problema principalmente em regiões com alta variação topográfica, já que a temperatura da superfície terrestre é profundamente afetada pela altitude, e onde quer que sejam encontradas formações de nuvens mais complexas.

Como resultado, até metade de todas as leituras de temperatura da superfície terrestre são contaminadas por problemas de cobertura de nuvens. A situação é ainda pior em latitudes médias e baixas.

“Esta não é uma questão menor de interesse apenas para cientistas. O sensoriamento remoto de temperatura de superfície terrestre precário prejudica a tomada de decisões por líderes políticos, autoridades de saúde pública e agências de segurança”, acrescentou Yang Guijun, coautor do estudo e professor no mesmo laboratório.

No entanto, nos últimos anos, algoritmos e modelos avançados foram desenvolvidos para reconstruir a temperatura da superfície terrestre, incorporando técnicas de aprendizado de máquina e aprendizado profundo para aumentar a precisão da previsão. Além disso, o radar de abertura sintética (SAR) ganhou atenção como uma ferramenta complementar, pois pode penetrar a cobertura de nuvens e fornecer informações valiosas para a reconstrução de dados ópticos.

O SAR opera emitindo sinais de micro-ondas em direção ao solo e medindo os sinais retrodispersos que ricocheteiam da superfície. Mas, diferentemente dos sistemas de radar tradicionais que dependem de um tamanho de antena física para determinar a resolução, o SAR simula uma antena maior movendo a plataforma do radar (como uma aeronave ou satélite) ao longo de uma trajetória de voo. Esse movimento permite que o sistema colete vários ecos de radar da mesma área-alvo, criando efetivamente uma abertura “sintética” que melhora a resolução da imagem.

Essa mesma capacidade de coletar múltiplos ecos de radar da mesma área-alvo significa que ele é mais capaz de penetrar nuvens e neblina, mas também chuva. Além disso, duas ou mais imagens SAR podem ser comparadas para detectar mudanças na superfície da Terra, como subsidência da terra, deformação ou mudanças na vegetação.

Separadamente, o que são chamados de Modelos Digitais de Elevação (DEMs) — representações digitais da topografia ou terreno da superfície da Terra — também podem ajudar. Eles consistem em uma grade de valores de elevação, onde cada célula na grade corresponde a uma localização geográfica específica e contém informações sobre a altura e a inclinação do terreno acima de um nível de referência, normalmente o nível do mar. E a elevação e a inclinação, bem como onde e quando uma determinada inclinação está voltada para o sol, influenciam significativamente as temperaturas locais.

Por exemplo, elevações mais altas geralmente apresentam temperaturas mais frias, enquanto encostas voltadas para o sol (voltadas para o sul no hemisfério norte) podem receber mais radiação solar, levando a temperaturas mais altas. As características topográficas capturadas em DEMs permitem uma compreensão mais sutil de como o terreno afeta a temperatura, melhor interpolação e levam a melhores previsões da temperatura da superfície terrestre nas paisagens muito complexas que causaram as maiores dores de cabeça.

E assim a equipe de pesquisa integrou DEMs com SAR para aumentar a precisão de seus modelos de temperatura da superfície terrestre, e também incorporou aprendizado de máquina para auxiliar no reconhecimento de relacionamentos e padrões complexos que podem não ser observáveis ​​apenas por humanos. Além disso, os modelos de aprendizado de máquina tendem a ser mais resilientes a ruídos e outliers nos dados do que os métodos tradicionais.

Eles chamam seu novo modelo de modelo de reconstrução de Radar de Abertura Sintética e Modelo Digital de Elevação-Temperatura da Superfície Terrestre Integrado (SDX-LST).

Os autores do artigo desenvolveram um novo modelo chamado Synthetic Aperture Radar and Digital Elevation Model-integrated Land Surface Temperature (SDX-LST) reconstruction model. Ele gera dados de temperatura da superfície terrestre (LST) de céu limpo, mesmo em regiões afetadas por extensa cobertura de nuvens, em alta resolução (até 30 metros). Eles então validaram a eficácia em relação a dados de temperatura da superfície de alta qualidade coletados não remotamente de satélites ou aviões, mas de estações terrestres, e descobriram que era consistente.

Finalmente, eles testaram seu modelo no Planalto de Loess a sudeste do Deserto de Gobi, no Planalto Qinghai-Tibet, nas planícies do nordeste e norte da China, nas Montanhas Nanling e, finalmente, no Desert Rock, em Nevada. O objetivo era testá-lo em uma gama tão ampla de longitude, latitude, topografia, relevo e tipos de cobertura vegetal quanto possível, e em várias datas e horários ao longo do ano.

Em todas as áreas, o modelo SDX-LST permitiu previsões precisas da temperatura da superfície terrestre, independentemente do nível de cobertura de nuvens, do tipo de vegetação e da complexidade do terreno.

Levando seu modelo para o próximo nível, os pesquisadores agora buscam melhorar sua capacidade de resposta a fatores temporais.