Bayesian inversion of GPR waveforms for sub-surface material characterization: an uncertainty-aware retrieval of soil moisture and overlaying biomass properties

Resumen Técnico: Inversión Bayesiana de Formas de Onda de GPR para la Caracterización de Materiales Subsuperficiales

Planteamiento del Problece
La estimación precisa de las propiedades subsuperficiales, específicamente la humedad del suelo y la profundidad de las capas orgánicas suprayacentes (biomasa), es crítica para aplicaciones que van desde la agricultura de precisión y el monitoreo de infraestructura hasta la evaluación del riesgo de incendios forestales. Los métodos actuales enfrentan limitaciones significativas: el análisis gravimétrico es laborioso y destructivo; los sensores puntuales (por ejemplo, TDR, resistivos, capacitivos) suelen ser costosos, difíciles de desplegar en entornos estratificados y presentan dificultades ante la presencia de material orgánico superficial; además, las técnicas existentes de inversión de GPR (Radar de Penetración Terrestre) son predominantemente deterministas. Los enfoques deterministas buscan una única solución óptima, fallando al no contabilizar la incertidumbre inherente en problemas inversos complejos y multimodales o al no proporcionar intervalos de confianza para las estimaciones. Además, la caracterización precisa de la profundidad y la humedad de las capas de combustible superficial es esencial para la modelación de incendios forestales, aunque la medición directa a través de estas capas sigue siendo un desafío.

Metodología
El estudio propone un enfoque probabilístico consciente de la incertidumbre utilizando la Actualización de Modelos Bayesianos (BMU, por sus siglas en inglés) combinada con la Inversión de Onda Completa (FWI) de las señales de GPR. La metodología involucra los siguientes componentes clave:

1. Modelado Directo (FDTD): Los autores utilizan el método de Diferencias Finitas en el Dominio del Tiempo (FDTD), implementado mediante el solver gprMax, para simular la propagación de ondas de GPR. Para asegurar que el modelo numérico refleje fielmente los datos del mundo real, el estudio primero optimiza la forma de onda de la fuente transmitida. Mediante la optimación bayesiana, se calibra la frecuencia central y el tipo de forma de onda (por ejemplo, Gaussiana) de la fuente FDTD frente a mediciones experimentales de acoplamiento por aire de un reflector metálico, logrando una correspondencia estrecha con la antena GSSI de 2700 MHz utilizada.
2. Marco de Inferencia Bayesiana: En lugar de una optimización determinista, el estudio emplea la inferencia bayesiana para estimar los parámetros. El proceso trata los parámetros desconocidos (permitividad dieléctrica, conductividad eléctrica y profundidad de la capa) como variables aleatorias.
   • Prior: Se asume un prior uniforme (no informativo) para el espacio de parámetros debido a la falta de datos históricos.
   • Verosimilitud (Likelihood): La función de verosimilitud se define bajo el supuesto de que los errores de medición son independientes y están distribuidos normalmente. Esta cuantifica la discrepancia entre el A-scan experimental de GPR y la respuesta de la simulación FDTD.
   • Posterior: Se utiliza el teorema de Bayes para actualizar la distribución a priori con la verosimilitud para obtener la distribución de probabilidad posterior de los parámetros.
3. Muestreo (MCMC): Se utilizan simulaciones de Monte Carlo por Cadenas de Markov (MCMC) para muestrear la distribución posterior, generando estimaciones probabilísticas de los parámetros y cuantificando sus incertidumbres asociadas.
4. Validación Experimental: El método fue validado mediante:
   • Investigaciones de Laboratorio: Experimentos controlados con variaciones en la humedad del suelo (2–25% de VWC), profundidades de la capa suprayacente (0, 5, 10, 15 cm) y tipos de materiales (virutas de madera, paja, astillas de madera).
   • Investigaciones de Campo: Una campaña de monitoreo de 16 días en suelo desnudo con un reflector metálico enterrado, comparando la humedad derivada de GPR con mediciones de TDR y pruebas gravimétricas.

Contribuciones Clave

• Primera Estimación Automatizada en Sistemas Estratificados: Según el conocimiento de los autores, este es el primer estudio que propone un método automatizado para estimar la humedad del suelo en presencia de capas superficiales suprayacentes utilizando la inversión de la forma de onda de GPR.
• Recuperación Simultánea de Multiparámetros: A diferencia de los métodos analíticos tradicionales que a menudo requieren profundidades conocidas para estimar la permitividad, este enfoque bayesiano estima simultáneamente múltiples incógnitas: la permitividad del suelo, la permitividad de la capa superficial, la conductividad eléctrica y la profundidad de la capa superficial.
• Cuantificación de la Incertidumbre: El método proporciona distribuciones probabilísticas en lugar de estimaciones de un solo punto. Esto permite la identificación de la confianza de la predicción y la detección de resultados inconsistentes o poco fiables basados en la dispersión de la distribución posterior.
• Calibración de la Antena: Un flujo de trabajo específico para calibrar la forma de onda de la fuente de GPR en FDTD para que coincida con las características reales de la antena, mejorando la fidelidad del modelo directo.

Resultados

• Desempeño en Laboratorio: El método propuesto demostró una fuerte correlación (valores R de 0.84 a 0.99) entre la permitividad del suelo predicha y las mediciones de TDR para capas suprayacentes de hasta 10 cm de profundidad. El método predijo con éxito la profundidad de la capa superficial con una precisión razonable.
• Desempeño en Campo: Las predicciones de campo de la humedad del suelo durante 16 días siguieron de cerca las tendencias de las mediciones de TDR y las pruebas gravimétricas, incluyendo las respuestas a eventos de lluvia.
• Limitaciones y Detección de Incertidumbre: Para capas suprayacentes más profundas (>10 cm) y materiales más gruesos (por ejemplo, astillas de madera), la atenuación de la señal provocó una disminución de la correlación e inconsistencias en las predicciones. Sin embargo, el estudio encontró que estas predicciones inconsistentes se caracterizaban por densidades de probabilidad más bajas y desviaciones estándar más altas en las distribuciones posteriores. Esto sugiere que la métrica de incertidumbre misma puede servir como una señal de alerta para datos no fiables.
• Comparación: El método superó a los métodos analíticos tradicionales de tiempo de tránsito cuando múltiples parámetros eran desconocidos o cuando los picos de señal eran ambiguos debido a la atenuación.

Significancia y Reivindicaciones
El artículo sostiene que este enfoque de inversión bayesiana ofrece una herramienta promisoria, no destructiva para la estimación de parámetros subsuperficiales que es particularmente valiosa para aplicaciones de evaluación de riesgos donde comprender la incertidumbre es tan importante como la estimación puntual. Al proporcionar estimaciones probabilísticas de la humedad del suelo y la profundidad de la biomasa superficial, el método apoya la toma de decisiones en la evaluación del riesgo de incendios forestales, la agricultura de precisión y el monitoreo ambiental. Los autores enfatizan que la capacidad de cuantificar la incertidumbre permite a los usuarios distinguir entre predicciones fiables y no fiables, una característica ausente en las técnicas de inversión deterministas. El estudio concluye que, si bien las limitaciones de frecuencia afectan la penetración profunda, el método es robusto para la caracterización subsuperficial somera y puede extenderse a otros dominios como el monitoreo de infraestructura y la caracterización de materiales.