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

Sintesi Tecnica: Un quadro probabilistico per la ricostruzione di dati di monitoraggio della radiazione sparsi basati su UAV

Definizione del Problema
Il monitoraggio ambientale contemporaneo, in particolare per quanto riguarda la contaminazione radioattiva, affronta sfide significative quando si affida a reti stazionarie tradizionali. Questi sistemi soffrono di bassa risoluzione spaziale, copertura statica e incapacità di sondare rapidamente aree pericolose o inaccessibili. Sebbene i Veicoli Aerei Non Pilotati (UAV) dotati di sensori IoT offrano un'alternata mobile, essi generano frequentemente set di dati spazialmente eterogenei e incompleti a causa dei vincoli delle traiettorie di volo, degli ostacoli ambientali e della durata della missione.

Il problema centrale affrontato è la difficoltà di ricostruire campi di contaminazione ambientale continui a partire da queste misurazioni discrete e sparse. I metodi di interpolazione standard spesso non riescono a catturare strutture spaziali complesse o a fornire previsioni affidabili in regioni sotto-campionate. Inoltre, i decisori richiedono non solo una mappa ricostruita, ma anche una stima esplicita della confidenza (incertezza) associata a tali previsioni per valutare accuratamente il rischio ambientale.

Metodologia
Lo studio propone un quadro analitico unificato e consapevole dell'incertezza che integra pre-elaborazione dei dati, interpolazione spaziale e quantificazione dell'incertezza. La metodologia è implementata all'interno di un'architettura ibrida edge-cloud:

1. Architettura di Sistema: Un sistema agnostico rispetto al sensore raccoglie i dati tramite UAV, trasmettendo payload JSON via MQTT a un server cloud. L'architettura supporta un approccio a doppio circuito: visualizzazione in tempo reale dei dati grezzi e generazione periodica di modelli analitici ad alta precisione.
2. Pre-elaborazione dei Dati: Per affrontare il rumore e la non uniformità nei dati gamma-spettrometrici aerei, viene applicato un flusso di lavoro a due stadi:
   • Filtraggio del Rumore Non Lineare: Viene utilizzato un filtro mediano per rimuovere gli artefatti ad alta frequenza e gli outlier (rumore salt-and-pepper) preservando al contempo i gradienti spaziali netti, superando le medie mobili lineari.
   • Aggregazione basata su Griglia: I dati provenienti da percorsi di volo sovrapposti vengono omogeneizzati mediando i valori all'interno di celle di griglia virtuali, riducendo il dataset a un insieme strutturalmente coerente di punti rappresentativi (1.679 punti per l'addestramento GPR).
3. Modelli di Ricostruzione Spaziale: Due approcci probabilistici vengono confrontati con un metodo di base:
   • Inverse Distance Weighting (IDW): Utilizzato come metodo deterministico di base.
   • Ordinary Kriging: Un metodo geostatistico che utilizza un modello di variogramma sferico per tenere conto della correlazione spaziale.
   • Gaussian Process Regression (GPR): Un approccio di machine learning che impiega un kernel composito (Radial Basis Function + WhiteKernel) per modellare le correlazioni spaziali fluide e il rumore di misurazione. Viene applicata una trasformazione logaritmica per stabilizzare la varianza. Gli iperparametri sono ottimizzati automaticamente durante l'addestramento.
4. Validazione: I modelli sono validati utilizzando una suddivisione casuale train-test 80/20 su un dataset di 3.722 misurazioni di attività del Cesio-137 raccolte nella Zona di Esclusione di Chernobyl. Le prestazioni sono valutate utilizzando Root Mean Square Error (RMSE), Mean Absolute Error (MAE) e il coefficiente di determinazione ($R^2$).

Risultati Chiave
La validazione sperimentale dimostra che i metodi che tengono conto della correlazione spaziale superano significativamente l'approccio IDW di base:

• Accuratezza: La Gaussian Process Regression (GPR) ha ottenuto le migliori metriche di prestazione, riducendo l'RMSE di circa il 23% rispetto a IDW e dell'11% rispetto a Ordinary Kriging. La GPR ha prodotto un $R^2$ di 0,96, rispetto allo 0,94 di Kriging e allo 0,92 di IDW.
• Quantificazione dell'Incertezza: A differenza dei metodi deterministici, la GPR fornisce stime spazialmente esplicite dell'incertezza predittiva (deviazione standard). Le mappe di incertezza risultanti visualizzano chiaramente le regioni di alta confidenza (vicino ai percorsi di volo) e di bassa confidenza (aree estrapolate), offrendo uno strumento critico per la valutazione del rischio.
• Prestazioni Computazionali: Sebbene la GPR offra un'accuratezza superiore, è computazionalmente intensiva (complessità $O(n^3)$). Sul hardware di test (Apple M4), l'adattamento del modello ha richiesto circa 30 secondi per il dataset pre-elaborato. Ciò rende necessaria la proposta architettura a doppio circuito, dove la visualizzazione in tempo reale gestisce le necessità immediate, mentre la GPR genera periodicamente modelli ad alta precisione.

Contributi Chiave
L'articolo rivendica i seguenti contributi primari al campo del monitoraggio ambientale:

1. Quadro Probabilistico: Lo sviluppo di un quadro specifico per la ricostruzione di dati di radiazione sparsi basati su UAV utilizzando la Gaussian Process Regression.
2. Quantificazione Integrata dell'Incertezza: L'integrazione diretta della stima dell'incertezza nella mappatura della contaminazione ambientale, andando oltre la semplice interpolazione deterministica.
3. Architettura a Doppio Circuito: Una dimostrazione di un design di sistema che combina la visualizzazione dei dati in tempo reale con la generazione periodica di modelli probabilistici ad alta precisione, affrontando il compromesso tra latenza e rigore analitico.
4. Design Agnostico rispetto ai Sensori: Un'architettura di sistema capace di integrare diversi sensori IoT (radiologici, di gas, di particolato) senza alterare il framework di elaborazione sottostante.

Significatività e Rivendicazioni
Gli autori affermano che il quadro proposto migliora significativamente l'interpretazione dei dati di rilevamento ambientale sparsi, in particolare in condizioni di copertura spaziale incompleta. Fornendo stime di incertezza spazialmente esplicite, il sistema consente un "processo decisionale ambientale consapevole della confidenza", permettendo agli operatori di identificare le aree che richiedono misurazioni aggiuntive e di effettuare valutazioni del rischio più conservative nelle zone ad alta incertezza.

Lo studio conclude che, sebbene l'Ordinary Kriging rimanga un baseline affidabile e interpretabile con costi computazionali inferiori, la GPR è superiore per la ricostruzione di campi spaziali complessi e per la quantificazione dell'affidabilità della previsione. Il lavoro evidenzia che i futuri sistemi di monitoraggio ambientale devono evolvere oltre la semplice interpolazione spaziale per includere la ricostruzione probabilistica e la mappatura dell'incertezza per supportare un'efficace risposta alle emergenze e la gestione del rischio a lungo termine. Gli autori segnalano i limiti riguardanti l'ambito dello studio a sito singolo e le richieste computazionali della GPR per applicazioni su larga scala e in tempo reale, suggerendo che il lavoro futuro dovrebbe concentrarsi su varianti scalabili della GPR e sulla pianificazione adattiva dei percorsi UAV.