Resumo Técnico: WATCH – Rastreamento de Sítios Arqueológicos em Área Ampla para Detecção de Mudanças

Declaração do Problema

Monitorar sítios arqueológicos em escala global é crítico para proteger o patrimônio cultural contra saques, construções não regulamentadas e conflitos. No entanto, identificar o momento exato de distúrbios permanece um desafio significativo. Cues visuais de saques (por exemplo, solo perturbado, anomalias espectrais) são frequentemente sutis e facilmente confundidos com processos naturais como erosão ou ciclos agrícolas sazonais. Além disso, dados de verdade terrestre relativos ao momento específico de eventos de saque são extremamente escassos e frequentemente imprecisos temporalmente.

Sistemas automatizados existentes lutam para localizar quando ocorrem distúrbios porque:

1. Escassez de Rótulos: Rótulos de alta qualidade e precisão temporal são raros.
2. Sutileza Visual: As mudanças são heterogêneas e mascaradas por efeitos sazonais e ruído do sensor.
3. Escalabilidade: Monitorar milhares de sítios requer operação eficiente com orçamentos limitados de computação e anotação.

Métodos atuais de detecção de mudanças em sensoriamento remoto dependem tipicamente de protocolos totalmente supervisionados e bi-temporais que exigem anotações densas ou imagens emparelhadas, os quais não são diretamente aplicáveis à tarefa de localização temporal mensal em séries temporais longas com supervisão fraca.

Metodologia: A Estrutura WATCH

Os autores introduzem o WATCH (Rastreamento de Sítio Arqueológico em Área Ampla para Detecção de Mudanças), uma estrutura projetada para localização de eventos de mudança em nível mensal usando mosaicos de satélite PlanetScope (4,7 m/px, 2017–2024). O sistema processa séries temporais por sítio de incorporações de características geoespaciais e emprega três abordagens de pontuação complementares:

1. Extração de Características

A estrutura extrai vetores de características de mosaicos mensais mascarados de 1 km² para 1.943 sítios arqueológicos no Afeganistão (e valida em sítios na Síria, Turquia, Paquistão e Egito). Utiliza incorporações de seis modelos fundamentais geoespaciais juntamente com uma linha de base artesanal:

• Modelos Fundamentais: CLIP, GeoRSCLIP, SatMAE, Prithvi-EO-2.0, DINOv3 e Satlas-Pretrain.
• Linha de Base Artesanal: 60 características estatísticas, de índice espectral e texturais (por exemplo, NDVI, NDWI, GLCM, LBP) computadas diretamente das imagens sem modelos aprendidos.
• Normalização: Um processo de normalização em dois estágios remove efeitos sazonais (padronização por estatísticas do mês do calendário) e desajustes de escala global.

2. Abordagens de Pontuação

O WATCH suporta três estratégias distintas para gerar probabilidades mensais de mudança:

• Distância de Incorporação Temporal (TED): Um método sem treinamento e não supervisionado. Calcula a distância (L2 ou cosseno) entre a incorporação de um mês-alvo e um vetor de referência robusto (mediana coordenada a coordenada) dos $R=3$ meses anteriores. É projetado para detectar desvios da história temporal local.
• Detecção de Mudança Auto-supervisionada (SSCD): Um método de ensemble não supervisionado que combina três sinais:
  1. Erro de reconstrução (autoencoder mascarado).
  2. Erro de previsão (previsor do próximo mês).
  3. Novidade latente (densidade k-NN invertida no espaço latente).
     Esses sinais são ponderados e agregados para produzir uma pontuação de mudança.
• Localização Supervisionada Fracamente (WS): Um classificador temporal supervisionado (baseado em LSTM) treinado em rótulos esparsos e truncados de meses de evento. Prevê a probabilidade de um evento de mudança em cada mês, utilizando alvos suavizados por Gaussiana em torno de meses de evento conhecidos para lidar com incerteza de rótulo.

3. Protocolo de Avaliação

Os autores introduzem uma métrica de avaliação tolerante temporalmente baseada em Recall@K (top-K meses com maior probabilidade de mudança). Eles definem:

• Margem Simétrica ($m$): Um acerto ocorre se a previsão top-K estiver dentro de $m$ meses da verdade terrestre.
• Margens Direcionais:
  • Margem Positiva ($h^+$): Detecção ocorre após o evento (orientada para confirmação).
  • Margem Negativa ($h^-$): Detecção ocorre antes do evento (orientada para alerta precoce).

Contribuições Principais

1. Formulação: Reformulou o monitoramento de sítios arqueológicos como um problema de detecção de eventos de mudança mensal em séries temporais de satélite centradas no sítio.
2. Estrutura: Propôs o WATCH, integrando regimes de pontuação não supervisionados (TED, SSCD) e supervisionados fracamente (WS).
3. Benchmarks: Avaliou sistematicamente seis incorporações de modelos fundamentais contra características artesanais, demonstrando que modelos fundamentais geralmente fornecem sinais mais fortes para localização em nível mensal.
4. Protocolo de Avaliação: Introduziu uma avaliação tolerante temporalmente com análise de margem direcional para distinguir entre capacidades de alerta precoce e confirmação pós-evento.

Resultados

A estrutura foi testada em 1.943 sítios no Afeganistão (898 saqueados, 1.045 preservados), com apenas 117 sítios saqueados tendo um mês de saque confiavelmente conhecido.

• Desempenho: Abordagens não supervisionadas (TED e SSCD) superaram consistentemente a alternativa supervisionada fracamente.
  • TED com SatMAE alcançou o maior recall de mês exato (55,0% em $m=0$).
  • TED com GeoRSCLIP, CLIP ou Satlas-Pretrain atingiu 92,5% de recall dentro de uma tolerância de três meses ($m=3$).
  • SSCD com Satlas-Pretrain também atingiu 92,5% em $m=3$ e 100% em $m=6$.
• Modelos Fundamentais vs. Artesanais: Modelos fundamentais superaram consistentemente características artesanais em margens estritas (por exemplo, GeoRSCLIP excedeu artesanais em 10 pontos percentuais em $m=0$ sob TED). No entanto, características artesanais permaneceram competitivas, particularmente para detecção de mês exato sob supervisão fraca (45,0% vs. 35,0% para Satlas-Pretrain em $m=0$ em WS).
• Viés Direcional:
  • SSCD acoplado a GeoRSCLIP ou Prithvi-EO-2.0 exibiu o perfil de alerta precoce mais forte (margem direcional negativa), detectando anomalias antes do evento registrado.
  • TED favoreceu detecção orientada para confirmação (margem direcional positiva), reagindo após uma mudança ter se materializado.
• Generalização: Quando aplicado a sítios na Síria, Turquia, Paquistão e Egito sem retreinamento, abordagens não supervisionadas (TED, SSCD) transferiram-se efetivamente, produzindo trajetórias de pontuação estruturadas temporalmente. O modelo WS falhou em generalizar, permanecendo próximo de zero fora do domínio de treinamento do Afeganistão.

Significado e Alegações

O artigo alega que combinar imagens de satélite com incorporações de modelos fundamentais permite monitoramento de patrimônio escalável e relevante para decisões sob supervisão mínima.

• Orientação Operacional: A análise de margem direcional fornece insights acionáveis para praticantes. Aqueles que priorizam intervenção precoce devem acoplar SSCD a modelos fundamentais geoespaciais (GeoRSCLIP, Prithvi-EO-2.0) para aproveitar a detecção de anomalias pré-evento. Aqueles que requerem confirmação forense pós-evento podem confiar na abordagem mais simples e sem treinamento TED.
• Robustez: A natureza não supervisionada de TED e SSCD permite que eles se generalizem para sítios fora da distribuição (regiões diferentes) sem retreinamento, uma vantagem crítica para monitoramento global de patrimônio onde dados rotulados são escassos.
• Trabalho Futuro: Os autores identificam a expansão da cobertura de verdade terrestre (atualmente limitada a 117 sítios com mês conhecido) como a via mais urgente para pesquisa futura, sugerindo que aprendizado ativo poderia fortalecer tanto o treinamento supervisionado quanto a confiabilidade da avaliação.

O código está publicamente disponível para promover reprodutibilidade e pesquisa adicional neste domínio.