Resumo Técnico: Comparação Explicável de Modelos Baseados em Recursos e de Aprendizado Profundo para Triagem de Plumas de Metano TROPOMI

Declaração do Problema

A detecção contínua global de grandes emissões de metano é essencial para mitigar o aquecimento global, particularmente dado que uma fração significativa das emissões origina-se de "superemissores", como minas de carvão e infraestrutura de petróleo/gás. O Instrumento de Monitoramento da Troposfera (TROPOMI) no satélite Sentinel-5P fornece observações globais diárias capazes de detectar essas plumas. No entanto, um grande desafio na triagem automatizada é distinguir plumas genuínas de metano de artefatos de recuperação. Esses artefatos, que imitam características semelhantes a plumas, surgem de gradientes de elevação, variações de albedo superficial, alta carga de aerossóis, linhas costeiras e corpos d'água.

Os fluxos de trabalho operacionais atuais, como o Explorador de Pontos Quentes de Metano do Serviço de Monitoramento Atmosférico Copernicus (CAMS), dependem de um pipeline de aprendizado de máquina para filtrar esses artefatos. O classificador de segunda etapa existente utiliza uma Máquina de Vetores de Suporte (SVM) treinada em recursos escalares criados manualmente. Embora eficaz, essa abordagem possui limitações: restringe o algoritmo a informações definidas por especialistas, interrompe as relações espaciais entre pixels e perde informações por meio de agregação estatística. Este estudo aborda a necessidade de avaliar se modelos avançados de aprendizado profundo baseados em imagens podem superar ou complementar esses métodos baseados em recursos, mantendo a interpretabilidade.

Metodologia

O estudo compara duas famílias de modelos de aprendizado de máquina para classificação binária (pluma de metano vs. artefato de recuperação) usando dados TROPOMI:

1. Modelos Baseados em Recursos: Estes operam sobre descritores numéricos pré-extraídos derivados dos patches de imagem. O estudo avalia:

   • Classificador de Vetores de Suporte (SVC): Utilizado como linha de base para garantir comparabilidade direta com o estudo de referência [5].
   • Random Forest (RF) e Extreme Gradient Boosting (XGBoost): Selecionados por sua superioridade demonstrada sobre SVMs em tarefas semelhantes relacionadas ao TROPOMI.
   • Entrada: Um conjunto de 32 recursos criados manualmente, incluindo momentos estatísticos da concentração de metano, geometria da pluma (alongamento, comprimento), vetores de vento e correlações entre metano e diagnósticos de recuperação (por exemplo, albedo, espessura óptica de aerossóis).

2. Modelos Baseados em Imagem: Estas são arquiteturas de aprendizado profundo treinadas diretamente em patches de imagem, permitindo a captura de padrões espaciais e informações contextuais.

   • ResNet-18 e ResNet-34: Variantes de redes neurais residuais escolhidas por sua capacidade de lidar com redes profundas por meio de conexões de salto.
   • Entrada: Patches de imagem multicanal incluindo concentração de metano, XCH4 corrigido por viés, albedo superficial, espessura óptica de aerossóis (AOT), pressão superficial, componentes do vento e um canal específico de "máscara de pluma". A máscara de pluma codifica a pontuação de confiança da CNN inicial de detecção de plumas, multiplicada por uma máscara binária.

Desenho Experimental:

• Conjunto de Dados: Um conjunto de dados expandido de 8.883 patches de imagem (6.085 plumas, 2.798 artefatos) cobrindo abril de 2019 a agosto de 2024.
• Configurações de Avaliação:
  • Configuração Desequilibrada: Reflete as proporções de classe do mundo real (aprox. 1:2) usando validação cruzada de 5 dobras.
  • Configuração Equilibrada: Isola a capacidade discriminativa intrínseca dos modelos em um conjunto de teste de retenção com classes equilibradas.
• Otimização de Hiperparâmetros: Uma técnica de busca aleatória foi usada para maximizar a Precisão Média (AP) sob validação cruzada de 5 dobras.
• Explicabilidade: Explicações Aditivas SHapley (SHAP) foram aplicadas a ambas as famílias de modelos. Modelos baseados em árvores utilizaram o TreeExplainer, enquanto modelos baseados em imagem utilizaram o GradientExplainer para analisar atribuições em nível de canal e de pixel.

Principais Resultados

Métricas de Desempenho

• Configuração Desequilibrada (Validação Cruzada): Modelos baseados em recursos, particularmente ensembles baseados em árvores, demonstraram o desempenho mais robusto e estável.
  • Random Forest (RF) alcançou a maior Precisão Média (0,948 ± 0,008) e ROC-AUC (0,908 ± 0,014).
  • XGBoost performou de forma similar, ficando ligeiramente atrás do RF.
  • ResNet-18/34 mostrou menor precisão média e ROC-AUC nesta configuração, com maiores desvios padrão, sugerindo sensibilidade ao desequilíbrio de classes e dados de treinamento efetivos limitados por dobra.
• Configuração Equilibrada (Teste de Retenção): A classificação relativa mudou, destacando a capacidade discriminativa do aprendizado profundo quando a dominação de classes é removida.
  • ResNet-18 superou todos os outros modelos, alcançando a maior Precisão Média (0,937) e ROC-AUC (0,939).
  • ResNet-34 performou fortemente, mas não superou o ResNet-18, indicando que o aumento da profundidade não gerou ganhos adicionais para esta tarefa específica.
  • XGBoost alcançou a maior Precisão Equilibrada (0,859), mas ficou atrás do ResNet-18 nas métricas discriminativas gerais (AP e ROC-AUC).

Insights de Explicabilidade

• Modelos Baseados em Recursos: A análise SHAP identificou a pontuação da pluma da CNN (a confiança do modelo de detecção inicial) como o recurso mais influente. Outros recursos significativos incluíram valores médios de QA (garantia de qualidade) e correlações entre metano e espessura óptica de aerossóis (AOT). O XGBoost dependeu mais fortemente do contexto relacionado ao vento, enquanto o RF priorizou estatísticas de forma de aprimoramento.
• Modelos Baseados em Imagem: O canal de máscara de pluma (codificando a pontuação da pluma da CNN e a estrutura espacial) foi a entrada mais importante. Diferentemente dos modelos baseados em árvores, o ResNet-18 utilizou efetivamente o albedo superficial como recurso primário, aprendendo a correspondência espacial entre padrões de albedo e aprimoramentos de metano para identificar artefatos. O modelo demonstrou contribuições positivas e negativas equilibradas dentro dos canais, refletindo sua capacidade de interpretar contexto espacial e padrões localizados.

Significado e Conclusões

O artigo conclui que ambas as famílias de modelos oferecem pontos fortes complementares para a triagem operacional de metano:

• Robustez vs. Poder Discriminativo: Modelos baseados em árvores (RF/XGBoost) são preferíveis quando a robustez sob desequilíbrio de classes e dados de treinamento limitados é o requisito primário, como visto no pipeline operacional atual. Por outro lado, o ResNet-18 é ótimo quando o objetivo é maximizar o desempenho discriminativo e a flexibilidade de limiar, desde que haja dados equilibrados suficientes disponíveis.
• Implicações Operacionais: Para o Explorador de Pontos Quentes de Metano, onde minimizar falsos positivos é crítico para reduzir a carga de trabalho de verificação manual, a robustez dos modelos baseados em árvores sob desequilíbrio é um ativo chave. No entanto, o desempenho superior do ResNet-18 em configurações equilibradas sugere que o aprendizado profundo poderia avançar as capacidades de detecção do pipeline se a disponibilidade e o equilíbrio de dados melhorarem.
• Interpretabilidade: O estudo demonstra que o SHAP pode unificar a interpretação de tipos de modelos diversos. Ambas as abordagens confirmam que a confiança da detecção inicial de plumas é o principal motor da classificação. No entanto, modelos baseados em imagem aproveitam a coerência espacial e informações de forma que modelos baseados em recursos devem aproximar por meio de agregação estatística.

Os autores enfatizam que essas descobertas fornecem orientações práticas para a seleção de modelos em fluxos de trabalho operacionais e destacam que o modelo de detecção de primeira etapa permanece um componente crítico do pipeline geral. Trabalhos futuros poderiam focar em melhorar o pipeline de primeira etapa ou explorar arquiteturas de aprendizado profundo mais complexas.