Thalia: A Global, Multi-Modal Dataset for Volcanic Activity Monitoring

Resumo Técnico: THALIA: Um Conjunto de Dados Global e Multimodal para Monitoramento de Atividade Vulcânica

Declaração do Problema
O monitoramento da atividade vulcânica é crítico para salvaguardar vidas e infraestruturas, mas apenas uma pequena fração dos vulcões do mundo é observada continuamente. Embora existam redes baseadas em solo (ex: GNSS), muitos vulcões permanecem sem monitoramento. O Radar de Abertura Sintética Interferométrico (InSAR) baseado em satélite oferece uma solução global para detectar deformação do solo, um precursor confiável de erupções. No entanto, interpretar dados de InSAR é complexo; distinguir a verdadeira deformação do solo de atrasos de propagação atmosférica (causados por variações ionosféricas e troposféricas) é um grande desafio. Esses atrasos frequentemente criam artefatos que mimetizam a deformação, levando a falsos positivos, particularmente em regiões vulcânicas com topografia complexa. Além disso, a aplicação de aprendizado profundo para automatizar essa interpretação tem sido dificultada pela escassez de conjuntos de dados bem curados e multimodais. Os conjuntos de dados existentes, como o Hephaestus, sofrem com resolução espacial grosseira, perda de valores físicos de pixels devido à composição RGB e formatos inadequados para modelagem espaço-temporal.

Metodologia e Construção do Conjunto de Dados
Os autores apresentam o Thalia, um conjunto de dados global e multimodal projetado para abordar as limitações de recursos anteriores e apoiar o monitoramento vulcânico baseado em aprendizado profundo. O Thalia baseia-se no dataset Hephaestus, mas amplia significamente seu escopo e estrutura:

• Estrutura de Dados: O Thalia consiste em 38 datacubes espaço-temporais cobrindo 44 vulcões ativos globalmente de 2014 a 2021. Diferente de formatos anteriores, o Thalia utiliza um formato de matriz multidimensional estruturada (Zarr comprimido) que co-registra múltiplas fontes de dados sobre regiões geográficas e tempos fixos, eliminando a necessidade de pré-processamento adicional para alinhamento.
• Resolução e Conteúdo: O conjunto de dados oferece uma alta resolução espacial de aproximadamente 100 m × 100 m por pixel (melhorada em relação aos ~333 m do Hephaestus). Ele integra quatro modalidades de dados primárias:
  1. Produtos InSAR: Mapas de diferença de fase envolta (wrapped phase) e coerência derivados de imagens Sentinel-1 via sistema COMET-LiCSAR.
  2. Topografia: Modelos Digitais de Elevação (DEM) da missão Shuttle Radar Topography Mission (SRTM).
  3. Variáveis Atmosféricas: Para abordar o ruído atmosférico, o conjunto de dados inclui o Total de Coluna de Vapor de Água, Pressão de Superfície e Integral Vertical de Temperatura do conjunto de reanálise ERA5, alinhados com as datas de aquisição de SAR.
  4. Anotações de Especialistas: O conjunto de dados contém 19.942 amostras anotadas com máscaras e rótulos gerados por especialistas. Estas incluem:
     • Máscaras de Deformação: Presença binária de deformação.
     • Tipo de Atividade: Classificação de fontes geofísicas (ex: Dyke, Mogi, Sill, Spheroid, Terremoto, Não Identificado).
     • Níveis de Intensidade: Categorizados por contagem de franjas (Baixa, Média, Alta).
     • Fase Vulcânica: Estado do vulcão (Repouso, Instabilidade, Rebote).
     • Flags de Ruído e Qualidade: Anotações para franjas atmosféricas, franjas de geleiras, erros orbitais e corrupção de dados.
     • Legendas Textuais: Descrições de especialistas das interferogramas e a racionalidade da anotação.

Benchmark e Configuração Experimental
Para facilitar uma avaliação justa, os autores estabeleceram um benchmark abrangente para duas tarefas: classificação binária de deformação do solo e segmentação semântica.

• Divisão de Dados: Uma divisão temporal foi aplicada (Treino: 2014–2019; Validação: 2019; Teste: 2020–2021) para preservar a diversidade espacial. Uma divisão "leave-3-out" também foi criada para testar a generalização para regiões vulcânicas não vistas (Galápagos, Rift do Leste Africano, Sul do Egeu).
• Construção de Séries Temporais: Dado o caráter bi-temporal do InSAR, séries temporais foram construídas pareando uma data de aquisição primária única com múltiplas datas secundárias. As sequências foram fixadas em comprimento de três para equilibrar contexto temporal e disponibilidade de dados.
• Modelos: O benchmark avaliou modelos de última geração incluindo ResNet-50, ViT, ConvNeXt, MobileNetV3 e EfficientNetV2 para classificação, e UNet, DeepLabv3 e SegFormer para segmentação. Uma arquitetura ConvLSTM também foi testada para modelar explicitamente dependências sequenciais.
• Estudos de Ablação: Experimentos compararam modelos treinados com e sem variáveis atmosféricas para avaliar seu impacto no desempenho.

Principais Resultados

• Desempenho de Classificação: Os modelos alcançaram uma capacidade discriminativa forte, com F1-scores atingindo aproximadamente 79% em configurações de passo temporal único. A inclusão de variáveis atmosféricas geralmente melhorou o desempenho da classificação (8 de 10 modelos mostraram ganhos), sugerindo que o contexto atmosférico auxilia na distinção entre deformação e ruído.
• Desempenho de Segmentação: O desempenho foi inferior ao da classificação, com F1-scores atingindo ~75%. Isso reflete a ambiguidade inerente em delinear fronteiras exatas de deformação, mesmo para especialistas. Notavelmente, a inclusão de variáveis atmosféricas degradou o desempenho da segmentação. Os autores hipotetizam que a fusão precoce de dados InSAR de alta resolução com dados atmosféricos grosseiros cria um gargalo de capacidade, comprometendo a habilidade do modelo de extrair características de deformação em escala fina.
• Séries Temporais vs. Passo Temporal Único: Entradas de séries temporais usando arquiteturas recorrentes (ConvLSTM) mostraram desempenho superior nas tarefas de segmentação em comparação com abordagens de empilhamento de canais, provavelmente devido à melhor exploração do contexto temporal e mitigação do ruído atmosférico. No entanto, o desempenho nas tarefas de classificação permaneceu comparável entre as duas abordagens.
• Generalização: O experimento "leave-3-out" demonstrou capacidades moderadas de generalização. Os F1-scores de classificação caíram aproximadamente 8% em vulcões não vistos, enquanto o desempenho de segmentação caiu mais significativamente (20–25%), principalmente devido à redução da precisão (oversensibilidade ao ruído).

Significância e Alegações
Os autores posicionam o Thalia como um recurso fundamental para avançar a interseção entre aprendizado de máquina e geociências.

• Primeiro de seu Tipo: O Thalia é reivindicado como o primeiro conjunto de dados de grande escala, pronto para aprendizado de máquina, que integra produtos InSAR de alta resolução, dados topográficos e variáveis atmosféricas em um formato espaço-temporal estruturado com anotações de especialistas.
• Abordagem de Limitações: Ao fornecer dados de fase envolta (preservando a interpretabilidade física) e entradas multimodais, o Thalia aborda os desafios específicos da interferência atmosférica e a falta de benchmarks padronizados no monitoramento vulcânico.
• Direções de Pesquisa: O conjunto de dados e o benchmark destacam desafios críticos, como a dificuldade de segmentar deformação em ambientes ruidosos e os compromissos envolvidos na fusão de dados de múltiplas resoluções. Os autores sugerem que trabalhos futuros devem explorar estratégias alternativas de fusão (ex: fusão tardia ou atenção cruzada) para melhor aproveitar o contexto atmosférico sem sacrificar a precisão espacial.
• Ciência Aberta: O conjunto de dados e o código estão publicamente disponíveis, promovendo a colaboração e a reprodutibilidade no desenvolvimento de ferramentas de avaliação de riscos geológicos baseadas em aprendizado profundo automatizado.