Modelo de IA utiliza física para autocorrigir dados de sensoriamento remoto

Turbulência, mudanças de temperatura, vapor de água, dióxido de carbono, ozônio, metano e outros gases absorvem, refletem e espalham a luz solar à medida que ela passa pela atmosfera, ricocheteia na superfície da Terra e é coletada por um sensor em um satélite de sensoriamento remoto. Como resultado, os dados espectrais recebidos no sensor são distorcidos.

Os cientistas sabem disso e criaram diversas maneiras de explicar a influência corruptora da atmosfera nos dados de sensoriamento remoto.

“Esse problema é tão antigo quanto as imagens aéreas”, disse James Koch, cientista de dados do Pacific Northwest National Laboratory (PNNL), que desenvolveu uma nova maneira de abordar o problema, usando um ramo da inteligência artificial chamado aprendizado de máquina baseado em física e, ao longo do caminho, aprimorando as capacidades de sensoriamento remoto.

Koch apresentou um artigo descrevendo sua estrutura de aprendizado de máquina informada por física no Simpósio Internacional de Geociências e Sensoriamento Remoto em Atenas, Grécia, de 7 a 12 de julho. Este trabalho é parte da capacidade de exploração remota do PNNL e foi apoiado pelo portfólio de Pesquisa e Desenvolvimento Direcionado por Laboratório do National Security Directorate.

Os cientistas podem resolver o problema da corrupção atmosférica porque entendem a física de como a atmosfera distorce a luz solar à medida que ela passa pela atmosfera. Isso permite que eles removam a influência da atmosfera dos dados coletados no sensor. O processo é chamado de correção atmosférica.

Um perfil de transmissão atmosférica geralmente requer conhecimento prévio para executar a correção atmosférica. O perfil é uma representação das propriedades e composição da atmosfera em diferentes altitudes que mostra como a luz em diferentes comprimentos de onda interage com uma atmosfera.

O processo de criação de um perfil de transmissão atmosférica sem conhecimento prévio é onde a técnica de IA de Koch pode ser uma grande virada de jogo.

Hoje em dia, muitas aplicações de correção atmosférica dependem de ferramentas prontas para uso que usam perfis atmosféricos genéricos baseados em estatísticas. Essas ferramentas são suficientes para tarefas sensíveis ao tempo, como monitoramento de resposta a desastres, e são econômicas ao mapear uma grande área. Aplicações em que alta precisão é primordial, como detecção de alvos, exigem a criação intensiva de dados e computacionalmente cara de perfis de alta fidelidade.

Aprendizado de máquina baseado em física

Para treinar e avaliar o pipeline de machine learning, Koch usou um conjunto de dados de imagens aéreas rotuladas de Cook City, Montana, que inclui carros e pedaços de tecido com assinaturas espectrais conhecidas. Ele usou 112 delas, ou 0,05% das disponíveis da cena, e realizou as execuções de treinamento em um laptop de médio porte.

O modelo treinado pode pegar pixels de qualquer cena espectral para inferir um perfil de transmissão atmosférica e executar automaticamente a correção atmosférica. No centro da abordagem está um conjunto de equações diferenciais que descrevem como a luz solar muda conforme passa pela atmosfera, ricocheteia em um alvo, volta pela atmosfera e atinge um sensor.

“A restrição da equação diferencial, esse aprendizado de máquina informado pela física, é o molho secreto para garantir que isso funcione bem”, disse Koch. “Por construção, o que esse modelo pode emitir é uma previsão que satisfará a física de primeira ordem.”

Além do desempenho que atinge a faixa intermediária entre os modelos prontos para uso e a abordagem de alta fidelidade, a estrutura de Koch é bidirecional: ela pode remover a influência da atmosfera de uma cena espectral coletada por um sensor remoto e inferir como um material no solo pareceria se fosse captado por uma atmosfera específica.

“Algumas coisas são destacadas ou escondidas dependendo de onde as coisas são observadas”, explicou Koch. “Não é um balcão único. Você tem que cutucar e cutucar onde as coisas são mais frutíferas.”

Pesquisa para o mundo real

O sensoriamento remoto é usado para tarefas que abrangem desde índices de seca e vegetação, que rastreiam mudanças na atividade fotossintética e no conteúdo de água ao longo do tempo, até a detecção de plumas de metano, atividade em bases militares estrangeiras e tráfego humano em travessias de fronteira.

Diferentes abordagens para correção atmosférica são aplicadas a diferentes cenários, dependendo de fatores como tempo, custo e dados disponíveis.

O estagiário do PNNL Luis Cedillo, um estudante de graduação na University of Texas El Paso, apresentou um pôster de conferência na SPIE Defense and Commercial Sensing 2024 em National Harbor, Maryland, sobre o uso da técnica de aprendizado de máquina informada pela física para monitoramento da saúde do ecossistema costeiro. Ele usou o pipeline de aprendizado de máquina para aprender em conjunto o perfil da atmosfera e das águas costeiras, desbloqueando uma nova capacidade de rastrear a saúde dos recifes de corais a partir de satélites.

Atualmente, os pesquisadores estão refinando sua abordagem com foco em aplicações onde os dados são limitados, mas alta fidelidade é necessária, como detecção de alvos.

“O principal benefício aqui é que podemos obter boa precisão com uma quantidade limitada de dados, sem precisar depender de muito conhecimento prévio no sentido de onde o sensor estava, ou onde o sol estava”, disse Koch. “Estamos aprendendo essas coisas na hora.”

“Peguei um pouco do que os especialistas no assunto fazem nessa ponta e envolvi isso em um pipeline de aprendizado de máquina para que eu possa fazer esse processo de forma informada por dados”, disse Koch. “Essa é uma abordagem de encontro no meio quando maior fidelidade é necessária, mas não temos necessariamente todos os recursos para identificar todas as propriedades associadas à atmosfera. Usamos os dados disponíveis.”