Lake Detection and Water Quality Estimation in Sentinel-2 Data

Resumo Técnico: Detecção de Lagos e Estimativa da Qualidade da Água em Dados Sentinel-2

Declaração do Problema
Os recursos hídricos continentais estão cada vez mais vulneráveis às mudanças climáticas e à pressão antrópica, necessitando de métodos confiáveis e automatizados para detecção e monitoramento. Embora a imagem de satélite ofereça uma solução escalável, a segmentação precisa de corpos d'água continentais permanece desafiadora devido à presença de superfícies com aparências semelhantes à água (por exemplo, sombras, solo escuro) e condições meteorológicas variáveis. Técnicas clássicas de limiarização, como as aplicadas ao Índice de Água de Diferença Normalizada (NDWI), frequentemente falham em alcançar segmentação precisa sob essas condições. Além disso, abordagens de aprendizado de máquina (ML) enfrentam obstáculos significativos relacionados à escassez de grandes conjuntos de dados rotulados. Além da detecção, existe uma lacuna crítica na visualização consistente e interpretável de índices espectrais de qualidade da água, onde técnicas padrão de mapeamento de cores frequentemente se mostram inadequadas ou enganosas para a tomada de decisões ambientais.

Metodologia
O estudo utiliza imagens multiespectrais Sentinel-2 para abordar dois objetivos principais: segmentação de corpos d'água e estimativa da qualidade da água.

• Conjunto de Dados: Os autores utilizaram o componente óptico do conjunto de dados S1S2-Water, compreendendo 65 cenas de alta resolução (100 × 100 km) de 29 países, cobrindo diversas classes de cobertura do solo. Parches de treinamento foram gerados usando uma estratégia de amostragem enviesada para água (requerendo ≥1,5% de cobertura de água) para abordar o desequilíbrio de classes. Para validação e análise qualitativa, uma cena específica do Lago Dumbrvia, Romênia, adquirida em 19 de julho de 2022, foi usada como um caso de teste não visto.
• Arquiteturas de Modelo: Três arquiteturas de aprendizado profundo (DL) foram avaliadas para segmentação binária de água:
  1. DeepLabV3 Ajustado Fino: Uma base ResNet-50 pré-treinada no ImageNet-1K, modificada para aceitar seis bandas espectrais Sentinel-2 (B02, B03, B04, B08, B11, B12) via uma estratégia de inicialização mista.
  2. U-Net Personalizado: Uma rede simétrica codificador-decodificador treinada do zero com quatro níveis de subamostragem, utilizando conexões de salto para reter estruturas detalhadas da linha de costa.
  3. DeepWaterMap: Uma arquitetura CNN de referência especificamente adaptada para extração de água em grande escala, originalmente treinada em imagens Landsat 7.
  • Estratégia de Entrada: Diferentemente de modelos que dependem exclusivamente de bandas RGB, todos os modelos neste estudo utilizaram seis bandas espectrais para fornecer informações mais ricas para índices hidrológicos e para mitigar erros causados por similaridades de cor entre a água e superfícies terrestres escuras.
• Protocolo de Treinamento: Os modelos foram treinados em parches de 512 × 512 usando uma função de perda composta ($0,5 L_{CE} + 0,5 L_{Dice}$) com ponderação de classes (Terra:Água = 1:20) para penalizar a classificação incorreta da classe minoritária. Os experimentos foram conduzidos em uma GPU NVIDIA Tesla P100.
• Índices de Qualidade da Água: Usando as máscaras de água geradas, o estudo calculou índices espectrais para turbidez, biomassa algal (NDCI), vazamentos de óleo (NDOSI) e batimetria relativa. As fórmulas para esses índices dependem de combinações específicas das seis bandas Sentinel-2.
• Framework de Visualização: Para abordar a falta de esquemas de cores padronizados, os autores propuseram um framework de visualização estruturado. Isso inclui paletas de cores temáticas alinhadas com fenômenos físicos (por exemplo, azul a marrom para turbidez, verde a vermelho para algas) e mapas de calor de variância local para identificar heterogeneidade espacial.

Principais Resultados

• Desempenho de Segmentação: A avaliação quantitativa no conjunto de teste do Lago Dumbrvia revelou que a arquitetura U-Net personalizada superou tanto o DeepLabV3 ajustado fino quanto o benchmark DeepWaterMap. A U-Net alcançou a maior Interseção sobre União (IoU) de 87,47% e Pontuação F1 de 92,24%, juntamente com recall superior (94,71%) e especificidade (96,29%). Embora o DeepWaterMap tenha mostrado alta precisão global (98,18%), ele exibiu menor especificidade e lutou com detalhes locais finos em comparação com a U-Net.
• Comparação com Métodos Clássicos: Os modelos DL superaram significativamente a limiarização clássica de NDWI e MNDWI (tanto fixa quanto baseada em Otsu). Os métodos de limiarização produziram fundos ruidosos, falsos positivos em áreas não aquáticas e falsos negativos em corpos d'água complexos, enquanto a U-Net preservou com sucesso estruturas intricadas da linha de costa e identificou corretamente características não aquáticas como barragens.
• Análise de Qualidade da Água: As máscaras da U-Net permitiram uma avaliação diagnóstica do Lago Dumbrvia. Os resultados indicaram distribuições uniformes de turbidez e biomassa algal, com níveis de algas se aproximando de limiares associados à eutrofização. Uma análise de correlação espacial revelou que as assinaturas de turbidez e algas são dependentes da profundidade, com a turbidez aumentando significativamente após 2,0 metros de profundidade, sugerindo que o lago é um sistema controlado pela batimetria.
• Visualização: As paletas de cores propostas facilitaram uma interpretação mais clara dos índices espectrais, distinguindo entre condições de água estáveis e anomalias localizadas (por exemplo, plumas de sedimento) por meio de mapas de calor de variância.

Significado e Contribuições
O artigo afirma que treinar modelos de aprendizado profundo diretamente em dados Sentinel-2 produz métricas quantitativas aprimoradas e detalhes qualitativos mais ricos em comparação com modelos pré-treinados em sensores diferentes (como Landsat) ou abordagens tradicionais baseadas em índices. As principais contribuições são:

1. Segmentação Robusta: Demonstrar que uma U-Net personalizada treinada do zero fornece a segmentação mais precisa e robusta para águas continentais em imagens Sentinel-2, lidando efetivamente com linhas de costa complexas e reduzindo falsos positivos.
2. Avaliação de Qualidade Integrada: Estabelecer um fluxo de trabalho que vai além da simples detecção para avaliação diagnóstica da qualidade da água (turbidez, algas, óleo, profundidade) usando índices espectrais padronizados.
3. Visualização Padronizada: Propor um framework estruturado para visualizar índices de qualidade da água usando paletas de cores perceptualmente uniformes e conscientes do contexto. Isso aborda a questão de mapas de cores não uniformes que podem enganar a interpretação, promovendo assim a consistência no monitoramento ambiental.

Os autores concluem que, embora os métodos de aprendizado profundo superem claramente a limiarização tradicional, trabalhos futuros devem focar na análise temporal desses índices, validação in-situ para calibração e otimização de modelos para implantação em tempo real em dispositivos de borda.