Physics-Informed Anomaly Detection of Terrain Material Change in Radar Imagery

1. Problema

O artigo aborda o desafio de detectar mudanças sutis e localizadas espacialmente na composição de materiais do terreno (como alterações na permissividade, rugosidade ou umidade) utilizando imagens de radar.

• Contexto: Aplicações em monitoramento de infraestrutura, vigilância ambiental e segurança.
• Desafio Principal: A maioria dos métodos atuais baseia-se em aprendizado profundo ou estatística puramente empírica, com pouca conexão explícita com as propriedades eletromagnéticas (EM) que geram o retroespalhamento do radar. Além disso, o ruído de fundo (clutter) em imagens de radar frequentemente segue distribuições de cauda pesada (não-Gaussianas), o que torna os detectores tradicionais (baseados em suposições Gaussianas) instáveis e com taxas de alarme falso variáveis.
• Objetivo: Desenvolver um framework de detecção de anomalias "informado pela física" que ligue diretamente as mudanças nos parâmetros do material (ex: solo seco $\to$ úmido) às mudanças observáveis na imagem (intensidade e coerência).

2. Metodologia

O trabalho propõe uma abordagem em três etapas principais:

A. Modelo de Propagação Física (Forward Model)

Os autores desenvolveram um modelo de formação de imagem leve e baseado na física para simular imagens de radar de dupla data (bi-temporal) a partir de mapas de materiais rotulados.

• Base Física: Utiliza uma aproximação do Modelo de Equações Integrais (IEM/AIEM) para relacionar parâmetros do terreno (permissividade complexa $\epsilon_r$, altura RMS $\sigma$, comprimento de correlação $l_c$) com o retroespalhamento médio ($\sigma^0$).
• Formação da Imagem SLC: Gera pares de imagens Complexas de Único Olho (SLC) simulando o efeito de speckle (ruído multiplicativo) e a correlação cruzada entre as duas épocas.
• Simulação de Mudança: A mudança de material é injetada alterando os parâmetros físicos em regiões específicas, o que resulta em uma redução da coerência interferométrica ($|\hat{\gamma}|$) e alterações na intensidade.

B. Extração de Características (Feature Stack)

A partir das imagens SLC simuladas, é construído um conjunto de características "consciente da física":

• Log-intensidades ($I_1, I_2$).
• Razão logarítmica de intensidades.
• Textura local (média e variância).
• Ângulo de incidência.
• Coerência Interferométrica ($|\hat{\gamma}|$): Calculada em janelas locais, crucial para detectar mudanças estruturais ou de material que causam dessincronização de fase.

C. Detectores Avaliados

O estudo compara vários detectores de anomalias não supervisionados:

1. RX (Reed-Xiaoli) e Local-RX: Baseados na distância de Mahalanobis. O RX Robusto utiliza o estimador de Tyler (M-estimador) para lidar com distribuições de cauda pesada (K-distribuição), tornando o detector mais robusto a outliers e mantendo uma taxa de alarme falso constante (CFAR).
2. CCD (Coherent Change Detection): Detecta mudanças baseando-se puramente na perda de coerência ($1 - |\hat{\gamma}|$).
3. Autoencoder Convolucional (AE): Um modelo leve treinado apenas em tiles de terreno inalterado para reconstruir a imagem; a anomalia é medida pelo erro de reconstrução.
4. Fusão de Pontuação: Combinação das pontuações dos detectores (RX, CCD, AE) via soma ponderada ou regressão logística.

3. Contribuições Chave

• Framework de Simulação Física: Criação de um simulador leve que mapeia parâmetros físicos do terreno (permissividade, rugosidade) diretamente para estatísticas de imagem de radar (intensidade e coerência), permitindo estudos controlados de Monte Carlo.
• Integração de Física e Estatística Robusta: Demonstra a eficácia de combinar características baseadas em coerência com estimadores de covariância robustos (Tyler) para lidar com clutter não-Gaussiano.
• Análise Comparativa Rigorosa: Avaliação sistemática de detectores clássicos, robustos e baseados em aprendizado profundo em cenários sintéticos, mas fisicamente fundamentados, variando parâmetros como número de looks (L), SNR e tipos de textura.

4. Resultados

Os experimentos foram realizados em 200 ensaios de Monte Carlo com cenários de 256x256 pixels.

• Desempenho Superior da Coerência: Detectores baseados em coerência (CCD) e fusões de pontuação superaram consistentemente os detectores baseados apenas em intensidade (RX/Local-RX).
  • CCD: Alcançou um AUC-ROC de 0.901 e F1 de 0.304 (em PFA fixo de $10^{-3}$).
  • RX Robusto: Melhorou a estabilidade do RX tradicional em clutter de cauda pesada, mas ainda ficou atrás do CCD (AUC ~0.775), pois a mudança de material afeta mais a coerência do que a intensidade média.
  • Local-RX: Desempenho muito pobre (AUC ~0.49), falhando devido à não-estacionariedade local e contaminação das estimativas de vizinhança.
  • Autoencoder (AE): Desempenho limitado (AUC ~0.645), sugerindo que, para este problema específico, características físicas explícitas superam a extração de características aprendida por redes neurais leves sem dados reais massivos.
• Fusão: Uma fusão simples de pontuação (2 vias) entre CCD e RX robusto atingiu desempenho equivalente ao CCD puro, mas com potencial para melhorar em cenários onde tanto a intensidade quanto a coerência carregam informação.
• Impacto dos Parâmetros:
  • Aumentar o número de looks (L) melhora a estimativa de coerência e o desempenho do CCD.
  • Clutter com caudas mais pesadas degrada severamente o RX, validando a necessidade do estimador de Tyler.
  • Erros de registro residual reduzem a separabilidade, destacando a necessidade de registro preciso.

5. Significado e Conclusão

O artigo conclui que, para a detecção de mudanças de materiais em terrenos via radar, a coerência interferométrica é o indicador mais decisivo, superando a intensidade radiométrica, especialmente quando as mudanças são sutis (ex: umidade do solo).

• A abordagem "informada pela física" valida que as mudanças nos parâmetros dielétricos e de rugosidade se traduzem primariamente em dessincronização de fase (perda de coerência).
• O uso de estatísticas robustas (Tyler) é essencial para manter a estabilidade do detector em ambientes de clutter realista (não-Gaussiano).
• O trabalho oferece uma base sólida para o desenvolvimento de sistemas de monitoramento que não dependem apenas de "caixas pretas" de aprendizado profundo, mas que incorporam o conhecimento físico do sensor e do alvo, permitindo maior interpretabilidade e robustez em cenários controlados.

Em suma, a pesquisa demonstra que métodos conscientes da coerência, apoiados por modelagem física e estatística robusta, são superiores para detectar alterações materiais em imagens de radar sintéticas e realistas.