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

Resumo Técnico: Inversão Bayesiana de Formas de Onda de GPR para Caracterização de Materiais Subsuperficiais

Definição do Problema
A estimação precisa das propriedades subsuperficiais, especificamente a umidade do solo e a profundidade da camada orgânica sobrejacente (biomassa), é crítica para aplicações que variam desde a agricultura de precisão e monitoramento de infraestrutura até a avaliação de riscos de incêndios florestais. Os métodos atuais enfrentam limitações significativas: a análise gravimétrica é laboriosa e destrutiva; sensores pontuais (ex: TDR, resistivos, capacitivos) são frequentemente caros, difíceis de implantar em ambientes estratificados e apresentam dificuldades com material orgânico superficial; além disso, as técnicas existentes de inversão de GPR (Radar de Penetração no Solo) são predominantemente determinísticas. Abordagens determinísticas buscam uma única solução ótima, falhando em considerar as incertezas inerentes a problemas inversos complexos e multimodais ou em fornecer intervalos de confiança para as estimativas. Além disso, caracterizar com precisão a profundidade e a umidade das camadas de combustível superficial é essencial para a modelagem de incêndios florestais, embora a medição direta através dessas camadas permaneça um desafio.

Metodologia
O estudo propõe uma abordagem probabilística consciente da incerteza usando Atualização de Modelo Bayesiano (BMU) combinada com Inversão de Forma de Onda Completa (FWI) de sinais de GPR. A metodologia envolve os seguintes componentes principais:

1. Modelagem Direta (FDTD): Os autores utilizam o método de Diferenças Finitas no Domínio do Tempo (FDTD), implementado via o solver gprMax, para simular a propagação de ondas de GPR. Para garantir que o modelo numérico reflita fielmente os dados do mundo real, o estudo primeiro otimiza o wavelet da fonte transmitida: via otimização Bayesiana, a frequência central e o tipo de forma de onda (ex: Gaussiana) da fonte FDTD são calibrados contra medições experimentais de acoplamento a ar de um refletor metálico, alcançando uma correspondência próxima à antena GSSI de 2700 MHz utilizada.
2. Estrutura de Inferência Bayesiana: Em vez de otimização determinística, o estudo emprega inferência Bayesiana para estimar parâmetros. O processo trata os parâmetros desconhecidos (permitividade dielétrica, condutividade elétrica e profundidade da camada) como variáveis aleatórias.
   • Prior (A Priori): Assume-se uma distribuição a priori uniforme (não informativa) para o espaço de parâmetros devido à ausência de dados históricos.
   • Likelihood (Verossimilhança): A função de verossimilhança é definida com base na suposição de que os erros de medição são independentes e normalmente distribuídos. Ela quantifica a discrepância entre o A-scan experimental de GPR e a resposta da simulação FDTD.
   • Posterior (A Posteriori): O teorema de Bayes é usado para atualizar a distribuição a priori com a verossimilhança para obter a distribuição de probabilidade a posteriori dos parâmetros.
3. Amostragem (MCMC): Simulações de Monte Carlo via Cadeias de Markov (MCMC) são utilizadas para amostrar a distribuição a posteriori, gerando estimativas probabilísticas dos parâmetros e quantificando suas incertezas associadas.
4. Validação Experimental: O método foi validado através de:
   • Investigações Laboratoriais: Experimentos controlados com variações de umidade do solo (2–25% VWC), profundidades de camada sobrejacente variáveis (0, 5, 10, 15 cm) e tipos de materiais (raspas de madeira, palha, cavacos de madeira).
   • Investigações de Campo: Uma campanha de monitoramento de 16 dias em solo nu com um refletor metálico enterrado, comparando a umidade derivada de GPR com medições de TDR e testes gravimétricos.

Principais Contribuições

• Primeira Estimativa Automatizada em Sistemas Estratificados: Tanto quanto os autores sabem, este é o primeiro estudo a propor um método automatizado para estimar a umidade do solo na presença de camadas superficiais sobrejacentes usando inversão de forma de onda de GPR.
• Recuperação Simultânea de Múltiplos Parâmetros: Ao contrário dos métodos analíticos tradicionais que frequentemente requerem profundidades conhecidas para estimar a permitividade, esta abordagem Bayesiana estima simultaneamente múltiplos desconhecidos: permitividade do solo, permitividade da camada superficial, condutividade elétrica e a profundidade da camada superficial.
• Quantificação de Incerteza: O método fornece distribuições probabilísticas em vez de estimativas de ponto único. Isso permite a identificação da confiança de predição e a detecção de resultados inconsistentes ou não confiáveis com base na dispersão da distribuição a posteriori.
• Calibração de Antena: Um fluxo de trabalho específico para calibrar o wavelet da fonte GPR em simulações FDTD para corresponder às características reais da antena, melhorando a fidelidade do modelo direto.

Resultos

• Desempenho Laboratorial: O método proposto demonstrou forte correlação (valores de R variando de 0,84 a 0,99) entre a permitividade do solo prevista e as medições de TDR para camadas sobrejacentes de até 10 cm de profundidade. O método previu com sucesso a profundidade da camada superficial com precisão razoável.
• Desempenho de Campo: As predições de campo da umidade do solo ao longo de 16 dias acompanharam de perto as tendências das medições de TDR e testes gravimétricos, incluindo respostas a eventos de chuva.
• Limitações e Detecção de Incerteza: Para camadas sobrejacentes mais profundas (>10 cm) e materiais mais grosseiros (ex: cavacos de madeira), a atenuação do sinal levou a uma diminuição da correlação e predições inconsistentes. No entanto, o estudo descobriu que essas predições inconsistentes foram caracterizadas por densidades de probabilidade menores e desvios padrão mais altos nas distribuições a posteriori. Isso sugere que a métrica de incerteza pode servir como um sinalizador para dados não confiáveis.
• Comparação: O método superou os métodos analíticos tradicionais de tempo de trânsulo em cenários onde múltiplos parâmetros eram desconhecidos ou onde os picos de sinal eram ambíguos devido à atenuação.

Significância e Alegações
O artigo afirma que esta abordagem de inversão Bayesiana oferece uma ferramenta promissora e não destrutiva para a estimativa de parâmetros subsuperficiais, sendo particularmente valiosa para aplicações de avaliação de risco onde a compreensão da incerteza é tão importante quanto a estimativa pontual. Ao fornecer estimativas probabilísticas de umidade do solo e profundidade de biomassa superficial, o método apoia a tomada de decisão na avaliação de riscos de incêndios florestais, agricultura de precisão e monitoramento ambiental. Os autores enfatizam que a capacidade de quantificar a incerteza permite aos usuários distinguir entre predições confiáveis e não confiáveis, uma característica ausente nas técnicas de inversão determinística. O estudo conclui que, embora as limitações de frequência afetem a penetração profunda, o método é robusto para a caracterização subsuperficial rasa e pode ser estendido para outros domínios, como monitoramento de infraestrutura e caracterização de materiais.