A Probabilistic Framework for Reconstructing Sparse UAV-Based Radiation Monitoring Data Using Gaussian Process Regression and Uncertainty Quantification

Resumen Técnico: Un Marco Probabilístico para la Reconstrucción de Datos Dispersos de Monitoreo de Radiación Basados en UAV

Planteamiento del Problema
El monitoreo ambiental contemporáneo, particularmente en lo que respecta a la contaminación radiactiva, enfrenta desafíos significativos cuando depende de redes estacionarias tradicionales. Estos sistemas sufren de baja resolución espacial, cobertura estática e incapacidad para realizar sondeos rápidos en áreas peligrosas o inaccesibles. Si bien los Vehículos Aéreos No Tripulados (UAV) equipados con sensores IoT ofrecen una alternativa móvil, frecuentemente generan conjuntos de datos espacialmente heterogéneos e incompletos debido a las restricciones de la trayectoria de vuelo, obstáculos ambientales y la duración de la misión.

El problema central abordado es la dificultad de reconstruir campos de contaminación ambiental continuos a partir de estas mediciones discretas y dispersas. Los métodos de interpolación estándar a menudo fallan al intentar capturar estructuras espaciales complejas o al proporcionar predicciones fiables en regiones submuestreadas. Además, los responsables de la toma de decisiones requieren no solo un mapa reconstruido, sino una estimación explícita de la confianza (incertidumbre) asociada a esas predicciones para evaluar el riesgo ambiental con precisión.

Metodología
El estudio propone un marco analítico unificado y consciente de la incertidumbre que integra el preprocesamiento de datos, la interpolación espacial y la cuantificación de la incertidumbre. La metodología se implementa dentro de una arquitectura híbrida de borde-nube (edge-cloud):

1. Arquitectura del Sistema: Un sistema agnóstico al sensor recopila datos mediante UAV, transmitiendo cargas útiles JSON vía MQTT a un servidor en la nube. La arquitectura soporta un enfoque de doble circuito: visualización en tiempo real de datos brutos y generación periódica de modelos analíticos de alta precisión.
2. Preprocesamiento de Datos: Para abordar el ruido y la falta de uniformidad en los datos de espectrometría gamma aérea, se aplica un flujo de trabajo de dos etapas:
   • Filtrado de Ruido No Lineal: Se utiliza un filtro de mediana para eliminar artefactos de alta frecuencia y valores atípicos (ruido de sal y pimienta) preservando al mismo tiempo los gradientes espaciales agudos, superando así a los promedios móviles lineales.
   • Agregación Basada en Grillas: Los datos de trayectorias de vuelo superpuestas se homogeneizan mediante el promedio de valores dentro de celdas de rejilla virtuales, reduciendo el conjunto de datos a un conjunto estructuralmente consistente de puntos representativos (1,679 puntos para el entrenamiento de GPR).
3. Modelos de Reconstrucción Espacial: Se comparan dos enfoques probabilísticos frente a un método base:
   • Ponderación de la Distancia Inversa (IDW): Utilizada como el método determinista de referencia.
   • Kriging Ordinario: Un método geoestadístico que utiliza un modelo de variograma esférico para dar cuenta de la correlación espacial.
   • Regresión de Procesos Gaussianos (GPR): Un enfoque de aprendizaje automático que emplea un núcleo compuesto (Función de Base Radial + WhiteKernel) para modelar correlaciones espaciales suaves y el ruido de medición. Se aplica una transformación logarítmica para estabilizar la varianza. Los hiperparámetros se optimizan automáticamente durante el entrenamiento.
4. Validación: Los modelos se validan utilizando una división aleatoria de entrenamiento/prueba de 80/20 sobre un conjunto de datos de 3,722 mediciones de actividad de Cesio-137 recolectadas en la Zona de Exclusión de Chornobyl. El desempeño se evalúa utilizando el Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE) y el coeficiente de determinación ($R^2$).

Resultos Clave
La validación experimental demuestra que los métodos que consideran la correlación espacial superan significativamente al enfoque determinista IDW:

• Precisión: La Regresión de Procesos Gaussianos (GPR) alcanzó las métricas de desempeño más altas, reduciendo el RMSE aproximadamente un 23% en comparación con IDW y un 11% en comparación con el Kriging Ordinario. El GPR arrojó un $R^2$ de 0.96, frente al 0.94 de Kriging y el 0.92 de IDW.
• Cuantificación de la Incertidumbre: A diferencia de los métodos deterministas, el GPR proporciona estimaciones espacialmente explícitas de la incertidumbre predictiva (desviación estándar). Los mapas de incertidumbre resultantes visualizan claramente las regiones de alta confianza (cerca de las trayectorias de vuelo) y baja confianza (áreas extrapoladas), ofreciendo una herramienta crítica para la evaluación de riesgos.
• Desempeño Computacional: Aunque el GPR ofrece una precisión superior, es computacionalmente intensivo (complejidad $O(n^3)$). En el hardware de prueba (Apple M4), el ajuste del modelo tomó aproximadamente 30 segundos para el conjunto de datos preprocesado. Esto requiere la arquitectura de doble circuito propuesta, donde la visualización en tiempo real gestiona las necesidades inmediatas, mientras que el GPR genera modelos de alta precisión de forma periódica.

Contribuciones Clave
El artículo reclama las siguientes contribuciones primarias al campo del monitoreo ambiental:

1. Marco Probabilístico: El desarrollo de un marco específico para la reconstrucción de datos de radiación dispersos basados en UAV utilizando la Regresión de Procesos Gaussianos.
2. Cuantificación Integrada de la Incertidumbre: La integración directa de la estimación de la incertidumbre en el mapeo de la contaminación ambiental, yendo más allá de la simple interpolación determinista.
3. Arquitectura de Doble Circuito: Una demostración de un diseño de sistema que combina la visualización de datos en tiempo real con la generación periódica de modelos probabilísticos de alta precisión, abordando la compensación entre latencia y rigor analítico.
4. Diseño Agnóstico al Sensor: Una arquitectura de sistema capaz de integrar diversos sensores IoT (radiológicos, de gas, de material particulado) sin alterar el marco de procesamiento subyacente.

Significancia y Reivindicaciones
Los autores afirman que el marco propuesto mejora significativamente la interpretación de los datos de detección ambiental dispersos, particularmente bajo condiciones de cobertura espacial incompleta. Al proporcionar estimaciones de incertidumbre espacialmente explícitas, el sistema permite una "toma de decisiones ambiental consciente de la confianza", permitiendo a los operadores identificar áreas que requieren mediciones adicionales y realizar evaluaciones de riesgo más conservadoras en zonas de alta incertidumbre.

El estudio concluye que, si bien el Kriging Ordinario sigue siendo una base fiable e interpretable con menores costos computacionales, el GPR es superior para la reconstrucción de campos espaciales complejos y la cuantificación de la confiabilidad de la predicción. El trabajo destaca que los futuros sistemas de monitoreo ambiental deben evolucionar más allá de la simple interpolación espacial para incluir la reconstrucción probabilística y el mapeo de incertidumbre para apoyar la respuesta efectiva ante emergencias y la evaluación de riesgos a largo plazo. Los autores señalan las limitaciones respecto al alcance del estudio de sitio único y las demandas computacionales del GPR para aplicaciones a gran escala y en tiempo real, sugiriendo que el trabajo futuro debería centrarse en variantes escalables de GPR y en la planificación adaptativa de rutas de UAV.