Resumen Técnico: Localización de Fuentes Basada en la Esparcidad en Aplicaciones de Detección Tomográfica

Planteamiento del Problema

El artículo aborda el desafío crítico de identificar, localizar y cuantificar las fuentes de liberación de contaminantes en el aire (por ejemplo, agentes de guerra química o productos químicos industriales tóxicos) en entornos complejos. Si bien los sistemas de detección remota hiperespectral, específicamente los espectrómetros de FTIR de FPA (Arreglo de Plano Focal), ofrecen una alta resolución espacial para detectar plumas invisibles y peligrosas, el uso simultáneo de dos de estos sistemas permite la reconstrucción tomográfica. Sin embargo, el problema inverso de reconstruir la distribución inicial de la fuente a partir de mediciones parciales, dispersas o basadas en umbrales, es severamente mal planteado (ill-posed) y subdeterminado.

Los enfoques tradicionales suelen depender de una regularización de tipo $L_2$ (por ejemplo, Tikhonov), que asume distribuciones de fuente suaves. Esto resulta inadecuado para escenarios realistas donde las fuentes de contaminantes están altamente localizadas (dispersas) y las mediciones son limitas. Además, los métodos de regularización de esparcidad existentes se han validado principalmente en configuraciones de sensores puntuales, dejando un vacío en la aplicación de estas técnicas a configuraciones tomográficas que proporcionan datos de contorno o de nivel de conjunto (level-set) en lugar de valores de concentración punto a punto.

Metodología

Los autores proponen un marco unificado que combina el modelado de transporte basado en la física con técnicas de optimización que promueven la esparcidad, adaptadas para datos tomográficos.

1. Modelado Matemático

• Modelo de Propagación (Forward Model): El transporte de los contaminantes está gobernado por la ecuación de advección-difusión con un coeficiente de difusión $\kappa$ y un campo de velocidad del viento $\mathbf{v}$. El dominio $\Omega$ incluye fronteras de entrada ($\Gamma^-$), salida ($\Gamma^+$) y de deslizamiento libre ($\Gamma_0$).
• Modelo de Observación: En lugar de mediciones puntuales, el sistema utiliza datos de FPA-FTIR para identificar un nivel de conjunto (contorno) donde la concentración es igual a un umbral específico $c$ en un tiempo de observación $t_{obs}$. El operador de observación mapea el estado hacia este nivel de conjunto $\Gamma_{t_{obs}}$.
• Formulación del Probleo Inverso: El objetivo es reconstruir la condición inicial $m$ (la fuente) de tal manera que la concentración simulada coincida con el umbral medido a lo largo del contorno observado.

2. Optimización Basada en la Esparcidad

Para manejar la naturaleza subdeterminada del problema y la naturaleza localizada de las fuentes, los autores modelan la fuente como una superposición de un número finito de átomos (funciones delta de Dirac) con ubicaciones e intensidades desconocidas.

• Marco Variacional: El problema se relaja a una optimización sobre el espacio de medidas de Radon positivas $\mu$. La función objetivo minimiza el error de ajuste $L_2$ entre los niveles de conjunto simulados y medidos, regularizado por la variación total (la masa de la medida $\mu(\bar{\Omega})$):
  $$\min_{\mu \in \mathcal{M}_+(\bar{\Omega})} J(\mu) := \frac{1}{2} \| \hat{\mathcal{F}}(\mu) - c \|_{L_2(\Gamma_{t_{obs}})}^2 + \alpha \mu(\bar{\Omega})$$
• Algoritmo: Se emplea la estrategia de Punto Activo Dual-Primal (PDAP). Este algoritmo aproxima iterativamente los minimizadores dispersos mediante la alternancia entre:
  1. Actualizaciones codiciosas (Greedy updates): Identificación de nuevas ubicaciones de fuentes (átomos) basadas en el gradiente del error de ajuste (derivado de la solución adjunta).
  2. Optimización: Actualización de las intensidades de las fuentes activas.
• Discretización: Una contribución técnica clave es la adaptación del algoritmo PDAP a datos de nivel de conjunto. Los autores discretizan el término de fuente singular en la ecuación adjunta (una distribución delta de línea a lo largo del contorno) utilizando un operador de traza que mapea las funciones base de elementos finitos a la malla discreta del contorno. Esto evita procedimientos costosos de remallado al representar las mediciones de forma independiente de la malla computacional.

Contribuciones Clave

1. Marco Unificado para la Detección Tomográfica: El artículo cierra la brecha entre los métodos de identificación de fuentes dispersas (previamente validados en sensores puntuales) y la detección remota tomográfica (FPA-FTIR). Adapta el algoritmo PDAP para manejar observaciones basadas en contornos en lugar de datos punto a punto.
2. Representación de Nivel de Conjunto (Level-Set): Los autores introducen una descripción de nivel de conjunto de la concentración de umbral para incorporar los datos de medición tomográfica en la formulación discreta. Esto permite una representación de las mediciones independiente de la malla y evita el gasto computacional del remallado.
3. Tractabilidad Numérica: El trabajo demuestra que el problema inverso disperso resultante, a pesar de la complejidad de la restricción de advección-difusión y la no linealidad de la observación del nivel de conjunto, sigue siendo computacionalmente tratable utilizando la estrategia de optimización propuesta.

Resultados Numéricos

El método fue validado utilizando un caso de prueba sintético que involucra un dominio complejo con huellas de edificios importadas de OpenStreetMap.

• Configuración: Se simuló un campo de viento sintético y una liberación de contaminante. Las mediciones se extrajeron en $t=5.0$ s como un contorno donde la concentración $c = 10^{-3}$.
• Desempeño: El algoritmo PDAP reconstruyó con éxito la ubicación y la intensidad de la fuente.
  • El algoritmo convergió en solo 16 iteraciones, requiriendo 16 resoluciones de la PDE hacia adelante y 16 de la PDE adjunta.
  • El centro de la fuente reconstruido ($x_{post}$) se localizó en $[-241.2, -40.9]$ m, comparado con la verdad de terreno de $[-241, -41]$ m, con un error de intensidad inferior al 2%.
  • El error de reconstrucción para la distribución del contaminante se mantuvo por debajo del 1% en todo el dominio.
• Predicción: La reconstrucción precisa de la fuente inicial permitió una predicción fiable de la evolución futura de la pluma (hasta $t=100$ s).

Significado y Reivindicaciones

El artículo afirma que este trabajo establece la localización de fuentes tomográfica impulsada por la esparcidad como un enfoque computacionalmente factible para la conciencia situacional en tiempo real en escenarios de liberación de materiales peligrosos.

• Eficiencia: El enfoque requiere un número relativamente pequeño de resoluciones de PDE incluso para datos de medición de alta resolución, lo que lo hace adecuado para aplicaciones a gran escala.
• Densidad de Información: Al aprovechar la imagen hiperespectral FPA-FTIR, el método utiliza significativamente más información espacial que los detectores puntuales aislados, lo cual es crucial para la alerta temprana y la respuesta de emergencia rápida.
• Limitaciones y Trabajo Futuro: Los autores señalan modestamente que el estudio actual depende de datos sintéticos y aún no incorpora ruido de sensores o modelos de turbulencia 3D complejos. Reconocen que, aunque se investigó el modelado de orden reducido (ROM) para la aceleración, la dependencia del contorno de medición respecto a la solución impide la precomputación directa fuera de línea en esta configuración específica. El trabajo futuro busca integrar modelos de ruido, combinar múltiples tipos de sensores (por ejemplo, lidar de polarización) y validar el método con datos reales de campo.