Self-Supervised Super-Resolution for Sentinel-5P Hyperspectral Images

1. Problema e Contexto

A missão Sentinel-5P (S5P) da Agência Espacial Europeia é fundamental para o monitoramento atmosférico global, fornecendo dados diários sobre gases traços (como NO₂, CH₄ e CO) com alta resolução espectral. No entanto, sua resolução espacial nativa é relativamente grosseira (3,5 × 5,5 km²), o que limita a análise de fontes de emissão localizadas, zonas costeiras e ambientes urbanos complexos.

O principal desafio abordado no artigo é a Super-Resolução (SR) desses dados hiperespectrais. Métodos existentes de SR baseados em aprendizado supervisionado exigem pares de imagens de baixa (LR) e alta resolução (HR) para treinamento. Como imagens de alta resolução reais (Ground Truth) não existem para o Sentinel-5P, os métodos atuais dependem de dados LR sintéticos gerados artificialmente. Essa dependência limita a aplicabilidade dos modelos em observações reais, pois eles podem não generalizar bem para o processo de degradação real do sensor.

2. Metodologia Proposta

Os autores propõem um framework de Super-Resolução Hiperespectral Auto-supervisionado (SSL) projetado especificamente para o S5P, permitindo o treinamento sem dados de alta resolução reais.

A. Modelo de Degradação e Ruído Sensor-Aware

O framework utiliza um modelo de degradação que simula o processo de formação de imagem do sensor:

• Operador de Degradação ($A$): Modelado como um desfoque gaussiano assimétrico seguido de downsampling espacial.
• Estimativa de Ruído: O modelo incorpora estatísticas de ruído reais derivadas dos metadados de Relação Sinal-Ruído (SNR) fornecidos pelo sensor. O desvio padrão do ruído ($\sigma$) é calculado para cada banda espectral, permitindo que o modelo de perda se adapte ao ruído real de cada canal.

B. Função de Perda Auto-supervisionada (REI)

O núcleo do método é uma função de perda composta que não requer a imagem HR ($x$), apenas a observação LR ($y$):

1. Estimativa de Risco Não Viesada de Stein (SURE): Substitui o erro quadrático médio (MSE) tradicional. A SURE fornece uma estimativa não viesada do erro de medição no espaço da observação, garantindo que a imagem reconstruída, quando degradada pelo operador $A$, corresponda à imagem LR observada.
2. Restrição de Imagem Equivariante (Equivariant Imaging - EI): Adiciona uma regularização que força a consistência da reconstrução sob transformações de escala. Se a imagem reconstruída for escalada e degradada, o resultado deve ser consistente com a imagem original escalada.
3. Perda Total: $L_{SSL} = L_{SURE} + \lambda L_{EQ}$.

C. Arquiteturas de Rede

Foram desenvolvidas novas arquiteturas baseadas em U-Net otimizadas para dados hiperespectrais:

• U-Net-S5P: Utiliza blocos de Convolução Separável por Profundidade (Depthwise Separable Convolution - DSC). Isso reduz drasticamente o número de parâmetros e o custo computacional, mantendo a fidelidade espectral ao processar canais de forma independente antes de combiná-los.
• Variantes: Foram testadas versões leves (Unet-S5P-800k) e mais profundas (Unet-S5P-1M), além de modelos recursivos baseados em DSC (S5-DSCR).
• Estratégia de Aprendizado: Todas as arquiteturas adotam uma estratégia de aprendizado residual pré-upsampling, onde o modelo prevê a correção residual sobre uma imagem interpolada bicubicamente.

3. Contribuições Principais

1. Primeiro Framework SSL para S5P: Preenche a lacuna de métodos de SR para S5P que não dependem de Ground Truth de alta resolução, utilizando apenas observações reais.
2. Modelo de Ruído Sensor-Aware: Integração direta das estatísticas de SNR do sensor na função de perda, permitindo que o modelo aprenda a lidar com o ruído real de cada banda espectral.
3. Arquiteturas DSC Eficientes: Introdução de variantes de U-Net com convoluções separáveis por profundidade, equilibrando eficiência computacional e fidelidade espectral para dados com alta dimensionalidade.
4. Validação Robusta: Demonstração de que o modelo gera estruturas espaciais significativas e não "alucinações", validado tanto por métricas quantitativas quanto por comparação com dados do sensor EMIT.

4. Resultados e Avaliação

Os experimentos foram conduzidos em dois cenários:

• Cenário LR-HR (Benchmarks): Comparação entre modelos supervisionados (SL) e auto-supervisionados (SSL) usando dados sintéticos.

  • Os modelos SSL alcançaram desempenho comparável aos modelos supervisionados em métricas como PSNR, SSIM e SCC, mantendo alta consistência de medição.
  • Em algumas bandas com baixo SNR (como BD7 e BD8), a diferença de desempenho foi mínima, indicando que a qualidade do sinal e a complexidade espacial são os fatores limitantes, não o método de aprendizado.
  • O modelo SSL superou consistentemente a interpolação bicúbica.

• Cenário GT-SHR (Aplicação Real): Geração de imagens super-resolvidas (SHR) diretamente a partir de observações reais S5P, sem Ground Truth.

  • Consistência: As imagens SHR, quando degradadas de volta à resolução nativa, correspondem perfeitamente às observações originais, provando que não introduzem artefatos inconsistentes.
  • Detalhes Espaciais: Visualmente, as imagens SHR apresentam bordas mais nítidas e detalhes de alta frequência (como estruturas costeiras) que são suavizados pela interpolação bicúbica.
  • Validação Cruzada (EMIT): A comparação qualitativa com dados do sensor EMIT (que possui resolução de 60m) sobre a costa de Luanda, Angola, confirmou que as estruturas recuperadas pelo modelo SSL são físicas e reais, e não alucinações do modelo. O modelo conseguiu recuperar detalhes costeiros e de lagos que estavam ausentes na resolução nativa do S5P.

5. Significado e Conclusão

Este trabalho demonstra que é possível realizar super-resolução em dados de satélite reais, mesmo na ausência absoluta de dados de alta resolução de referência. A abordagem proposta permite:

• Aplicação Prática: O uso imediato em cenários do mundo real onde dados HR não existem.
• Confiabilidade Física: Ao incorporar o modelo de degradação do sensor e estatísticas de ruído, o método garante que as imagens geradas sejam fisicamente consistentes com o processo de aquisição.
• Eficiência: As arquiteturas DSC tornam o processamento viável para grandes volumes de dados hiperespectrais.

Em suma, o framework proposto oferece uma solução robusta para superar as limitações espaciais do Sentinel-5P, habilitando análises de emissões locais e monitoramento ambiental em escalas antes inacessíveis, sem depender de dados de treinamento sintéticos que podem não refletir a realidade do sensor.