Resumo Técnico: Localização de Fontes Baseada em Esparsidade em Aplicações de Sensoriamento Tomográfico

Definição do Problema

O artigo aborda o desafio crítico de identificar, localizar e quantificar fontes de liberação de contaminantes atmosféricos (ex: agentes de guerra química ou produtos químicos industriais tóxicos) em ambientes complexos. Embora sistemas de detecção remota hiperespectral, especificamente espectrômetros FTIR de Plano Focal (FPA), ofereçam alta resolução espacial para detectar plumas invisíveis perigosas, o uso simultâneo de dois desses sistemas permite a reconstrução tomográfica. No entanto, o problema inverso de reconstruir a distribuição inicial da fonte a partir de medições parciais, esparsas ou baseadas em limiares é severamente mal posto e subdeterminado.

Abordagens tradicionais frequentemente dependem de regularização do tipo $L_2$ (ex: Tikhonov), que assume distribuições de fonte suaves. Isso é inadequado para cenários realistas onde as fontes de contaminantes são altamente localizadas (esparsas) e as medições são limitadas. Além disso, os métodos de regularização esparsa existentes foram validados primariamente em configurações de sensores pontuais, deixando uma lacuna na aplicação dessas técnicas a setups tomográficos que fornecem dados de contorno ou de nível de conjunto (level-set) em vez de valores de concentração ponto a ponto.

Metodologia

Os autores propõem um framework unificado que combina modelagem de transporte baseada em física com técnicas de otimização que promovem a esparsidade, adaptadas para dados tomográficos.

1. Modelagem Matemática

• Modelo Direto (Forward Model): O transporte de contaminantes é governado pela equação de advecção-difusão com um coeficiente de difusão $\kappa$ e um campo de velocidade do vento $\mathbf{v}$. O domínio $\Omega$ inclui fronteiras de entrada ($\Gamma^-$), saída ($\Gamma^+$) e escorregamento livre ($\Gamma_0$).
• Modelo de Observação: Em vez de medições pontuais, o sistema utiliza dados FPA-FTIR para identificar um nível de conjunto (contorno) onde a concentração é igual a um limiar específico $c$ em um tempo de observação $t_{obs}$. O operador de observação mapeia o estado para este nível de conjunto $\Gamma_{t_{obs}}$.
• Formulação do Problema Inverso: O objetivo é reconstruir a condição inicial $m$ (a fonte) de tal forma que a concentração simulada corresponda ao limiar medido ao longo do contorno observado.

2. Otimização Baseada em Esparsidade

Para lidar com a natureza subdeterminada do problema e a natureza localizada das fontes, os autores modelam a fonte como uma superposição de um número finito de átomos (funções delta de Dirac) com localizações e intensidades desconhecidas.

• Framework Variacional: O problema é relaxado para uma otimização sobre o espaço de medidas de Radon positivas $\mu$. A função objetivo minimiza o erro de ajuste $L_2$ entre os níveis de conjunto simulados e medidos, regularizada pela variação total (a massa da medida $\mu(\bar{\Omega})$):
  $$\min_{\mu \in \mathcal{M}_+(\bar{\Omega})} J(\mu) := \frac{1}{2} \| \hat{\mathcal{F}}(\mu) - c \|_{L_2(\Gamma_{t_{obs}})}^2 + \alpha \mu(\bar{\Omega})$$
• Algoritmo: A estratégia de Ponto Ativo Primal-Dual (PDAP) é empregada. Este algoritmo aproxima iterativamente minimizadores esparsos alternando entre:
  1. Atualizações gananciosas (greedy updates): Identificação de novas localizações de fonte (átomos) baseadas no gradiente do erro de ajuste (derivado da solução adjunta).
  2. Otimização: Atualização das intensidades das fontes ativas.
• Discretização: Uma contribuição técnica fundamental é a adaptação do algoritmo PDAP para dados de nível de conjunto. Os autores discretizam o termo de fonte singular na equação adjunta (uma distribuição delta de linha ao longo do contorno) usando um operador de traço que mapeia funções de base de elementos finitos para a malha discreta do contorno. Isso evita procedimentos custosos de remalhagem, representando as medições independentemente da malha computacional.

Principais Contribuições

1. Framework Unificado para Sensoriamento Tomográfico: O artigo une a lacuna entre métodos de identificação de fontes esparsas (previamente validados em sensores pontuais) e o sensoriamento remoto tomográfico (FPA-FTIR). Ele adapta o algoritmo PDAP para lidar com observações baseadas em contornos em vez de dados ponto a ponto.
2. Representação por Nível de Conjunto (Level-Set): Os autores introduzem uma descrição de nível de conjunto para a concentração de limiar para incorporar dados de medição tomográfica em uma formulação discreta. Isso permite uma representação de medições independente de malha e evita o custo computacional de remalhagem.
3. Tratabilidade Numérica: O trabalho demonstra que o problema inverso esparso resultante, apesar da complexidade da restrição de advecção-difusão e da não linearidade da observação de nível de conjunto, permanece computacionalmente tratável usando a estratégia de otimização proposta.

Resultados Numéricos

O método foi validado usando um caso de teste sintético envolvendo um domínio complexo com pegadas de edifícios importadas do OpenStreetMap.

• Configuração: Um campo de vento sintético e uma liberação de contaminante foram simulados. As medições foram extraídas em $t=5,0$ s como um contorno onde a concentração $c = 10^{-3}$.
• Desempenho: O algoritmo PDAP reconstruiu com sucesso a localização e a intensidade da fonte.
  • O algoritmo convergiu em apenas 16 iterações, exigindo 16 resoluções de PDE direta e 16 de adjunta.
  • O centro da fonte reconstruído ($x_{post}$) foi localizado em $[-241,2, -40,9]$ m, comparado ao valor real (ground truth) de $[-241, -41]$ m, com um erro de intensidade inferior a 2%.
  • O erro de reconstrução para a distribuição do contaminante permaneceu abaixo de 1% em todo o domínio.
• Predição: A reconstrução precisa da fonte inicial permitiu a predição confiável da evolução futura da pluma (até $t=100$ s).

Significância e Alegações

O artigo afirma que este trabalho estabelece a localização de fontes tomográfica baseada em esparsidade como uma abordagem computacionalmente viável para consciência situacional em tempo real em cenários de liberação de materiais perigosos.

• Eficiência: A abordagem requer um número comparativamente pequeno de resoluções de PDE mesmo para dados de medição de alta resolução, tornando-a adequada para aplicações de grande escala.
• Densidade de Informação: Ao aproveitar a imagem hiperespectral FPA-FTIR, o método utiliza significativamente mais informação espacial do que detectores pontuais isolados, o que é crucial para alerta precoce e resposta rápida a emergências.
• Limitações e Trabalhos Futuros: Os autores notam modestamente que o estudo atual depende de dados sintéticos e ainda não incorpora ruído de sensores ou modelagem de turbulência 3D complexa. Eles reconhecem que, embora a modelagem de ordem reduzida (ROM) tenha sido investigada para aceleração, a dependência do contorno de medição da solução impede a pré-computação offline direta neste setup específico. O trabalho futuro visa integrar modelos de ruído, combinar múltiplos tipos de sensores (ex: lidar de polarização) e validar o método com dados reais de campo.