Dados da Submissão

Título

DISTINÇÃO ENTRE MANCHAS DE ÓLEO DE ORIGEM NATURAL OU ANTRÓPICA NA SUPERFÍCIE DO MAR ATRAVÉS DO RECONHECIMENTO DE PADRÕES GEOMÉTRICOS COM TRANSFER LEARNING (TL)

Texto do resumo

No espectro de microondas, manchas de óleo naturais ou antrópicas induzem o mesmo mecanismo físico de amortecimento da rugosidade da superfície do mar. Como resultado, elas são detectadas de forma semelhante como manchas escuras, ou seja, regiões com baixos coeficientes de retroespalhamento em dados de Radar de Abertura Sintética (SAR). Historicamente, procedimentos de classificação de manchas de óleo procuraram aproveitar o potencial discriminatório de diferentes características geométricas, radiométricas e contextuais, empregando abordagens tradicionais de machine learning (ML). A suposição comum é que os dados de treinamento e teste são extraídos da mesma população e, portanto, seguem a mesma função de densidade de probabilidade (pdf). Usando tal abordagem, o conhecimento não é retido quando se adquire um novo conjunto de dados em região geográfica distinta. Assim, o transfer learning (TL) representa uma solução que extrai e armazena conhecimento de bancos de dados de treinamento e transfere para a classificação de novas amostras. Neste experimento, modelos preditivos treinados e validados foram desenvolvidos usando um banco de dados controlado e validado pela PEMEX (Petróleos Mexicanos) no Golfo do México (GOM). A aplicação desses modelos validados em outra região utilizando diferentes satélites mostrou a sua capacidade de generalização, confirmando o potencial das técnicas TL ao atingir acurácias de até 87%. Como resultado, é avaliada a capacidade de generalização dos modelos para reconhecer propriedades em outras regiões empregando TL sob diversas condições meteo-oceanográficas, diferentes satélites e propriedades estatísticas distintas. Nesta perspectiva, imagens SAR foram pré-processadas e classificadas digitalmente. O conjunto rotulado e balanceado construído no GOM compreendeu 6.279 manchas de óleo detectadas usando sensores SAR. Tal banco de dados forneceu o domínio de origem validado (DS: GOM) para desenvolver modelos preditivos confiáveis. O presente estudo avalia a capacidade de generalização dos modelos concebidos no GOM para reconhecer padrões geométricos e prever automaticamente a origem natural ou antrópica de 105 manchas de óleo em outro domínio alvo (i.e., margem equatorial). Uma vez que as manchas de óleo foram detectadas por distintos satélites nos domínios de origem e alvo, uma análise centrada nessa questão foi conduzida para avaliar o efeito dos diferentes sensores SAR e de seus modos de operação (SAR Beam Modes - BM) nos resultados da pesquisa. Assim, considerando todos os sensores SAR, as previsões não ultrapassaram a acurácia global (GA) de 34,29% para o total de 105 amostras no alvo, devido à alta divergência entre as características geométricas dos polígonos referentes às manchas de óleo detectadas nos domínios de origem e domínio alvo (i.e., RadarSat e Sentinel-1). A análise dos resultados considerando os BM do RDS é relevante, uma vez que 78,20% das manchas de óleo utilizadas na construção dos modelos no GOM foram detectados por imagens no modo ScanSAR Narrow (SCN) e apenas 10,64% no modo Wide. Logo, a capacidade de generalização dos modelos do domínio é limitada pelas características das amostras do domínio alvo. Quando amostras nos domínios DS e DT apresentam comportamento estatístico semelhante, o processo de generalização do aprendizado com TL pode ter melhor desempenho.

Palavras Chave

transfer learning; oil spills; Machine Learning; seepage slicks; espectro de microondas.