Landsat-Sentinel-2 Algal Bloom Mapping Using Vision Transformers: Model Description, Implementation, and Examples

Resumo Técnico: Mapeamento de Florações de Algas com Landsat-Sentinel-2 Usando Vision Transformers

Definição do Problema
O monitoramento de florações de algas costeiras requer observações frequentes, espacialmente detalhadas e globalmente consistentes. Embora sensores de cor do oceano de resolução grosseira (ex: MODIS, OLCI) forneçam cobertura sinóptica ampla, sua resolução espacial moderada (30–250 m) limita a detecção de florações pequenas, fragmentadas ou de baixa concentração, que frequentemente se formam como aglomerados ou balsas menores que um único pixel. Além disso, recuperar a refletância da água com precisão em zonas costeiras é desafiador devido à refletância do fundo, altas cargas de sedimentos suspensos e efeitos de adjacência terrestre. Os métodos bio-ópticos tradicionais e índices espectrais (ex: NDVI, FAI, MCI) dependem de limiares empíricos e frequentemente falham em distinguir florações de algas de artefatos atmosféricos como nuvens e brilho solar (sun glint), ou de características não-algais com assinaturas espectrais semelhantes. Embora o aprendizado profundo (deep learning - DL) tenha mostrado promessa no sensoriamento remoto, sua aplicação ao mapeamento de florações de algas usando dados de resolução média (30 m) do Landsat-8/9 e Sentinel-2 ainda é emergente, com uma carência de produtos de refletância harmonizados, protocolos de rotulagem padronizados e conjuntos de dados de referência publicamente disponíveis.

Metodologia
Este estudo apresenta um framework abrangente para o mapeamento de florações de algas costeiras de 30 m utilizando dados harmonizados de Landsat-8/9 OLI e Sentinel-2 MSI.

• Harmonização de Dados e Pré-processamento: Os autores utilizaram o pipeline AQUAVis para gerar um produto de refletância remota ($R_{rs}$) harmonizado. Este pipeline aplica correção atmosférica (6SV), mitigação de brilho e efeito de adjacência, e ajustes de largura de banda espectral específicos do sensor. O resultado consiste em quatro bandas espectrais (Azul, Verde, Vermelho, NIR) a 30 m de resolução, juntamente com uma banda de garantia de qualidade (QA) para mascaramento de nuvens/sombras.
• Geração de Dataset: Um conjunto de dados distribuído globalmente foi criado a partir de 225 hotspots de floração identificados.
  • Treinamento: 660 imagens de 2023 foram processadas em 24.265 patches de treinamento (256×256 pixels).
  • Validação: 186 imagens de 2024 foram processadas em 12.255 patches de validação para avaliar a transferibilidade temporal.
  • Rotulagem: Foi empregado um fluxo de trabalho semiautomático. Máscaras iniciais foram geradas usando um limiar dinâmico de NDVI e detecção de objetos não supervisionada. Estas foram refinadas manualmente usando composições de cores falsas (Vermelho, NIR, Verde) para corrigir a instabilidade dos índices espectrais e garantir que os rótulos refletissem estruturas morfológicas das florações (ex: padrões filamentosos) em vez de apenas a magnitude espectral. As características de entrada incluíram as quatro bandas de $R_{rs}$ mais o NDVI e o Índice de Algas Flutuantes (FAI) como canais adicionais.
• Arquiteturas de Modelos: Cinco modelos de aprendizado profundo foram implementados e comparados:
  1. ResUNet: Um codificador-decodificador baseado em CNN com codificação de contexto e conexões residuais (baseline).
  2. Vanilla Vision Transformer (ViT): Uma arquitetura de transformer padrão com mecanismos de autoatenção.
  3. Swin Transformer: Um ViT hierárquico usando autoatenção de múltiplas cabeças baseada em janelas para reduzir a complexidade computacional e capturar o contexto local.
  4. SegFormer: Um modelo híbrido que combina um codificador Mix Transformer (MiT) com um decodificador leve.
  5. Prithvi (MAE): Um modelo fundamental (IBM/NASA) pré-treinado em dados harmonizados de Landsat-Sentinel, ajustado (fine-tuned) com um decodificador SegFormer.
• Estratégia de Treinamento: Os modelos foram treinados usando otimizadores AdamW, funções de perda compostas (Dice, Cross-Entropy, IoU) e mapas de ponderação baseados em distância para enfatizar bordas. Pesos pré-treinados (ImageNet-1k ou Prithvi) foram usados para facilitar a convergência.

Principais Contribuições

1. Primeira Aplicação de ViTs: Este é o primeiro estudo a aplicar arquiteturas de Vision Transformer (Vanilla ViT, Swin, SegFormer) à segmentação de florações de algas costeiras de 30 m.
2. Dataset de Referência Global: O desenvolvimento de um dataset de máscara de floração de algas de 30 m distribuído globalmente (36.520 patches) cobrindo diversos tipos de águas ópticas e morfologias de floração, acompanhado de um fluxo de trabalho de rotulagem semiautomático escalável.
3. Framework Operacional: O estabelecimento de um pipeline para o monitoramento consistente de florações de resolução média usando a constelação virtual Harmonized Landsat-Sentinel (HLS), indo além de abordagens regionais específicas.

Resultos

• Desempenho dos Modelos: Todos os modelos de aprendizado profundo demonstraram forte capacidade de detectar florações de algas flutuantes.
  • A ResUNet alcançou o maior F1-score geral (0,58) com erros equilibrados de omissão (9,88%) e comissão (56,59%).
  • O Swin Transformer apresentou desempenho comparável à ResUNet (F1-score 0,57) e mostrou superior robustez no tratamento de fragmentação espacial.
  • O SegFormer alcançou o maior recall (0,92), mas sofreu com altos erros de comissão (64,96%), indicando uma tendência à sobre-segmentação.
  • O Vanilla ViT e o Prithvi (MAE) mostraram desempenho inferior, com o Prithvi exibindo o maior erro de omissão (33,26%), provavelmente devido ao descompasso entre seu domínio de pré-treinamento (observação da Terra geral) e as características espectrais/espaciais específicas das florações aquáticas.
• Robustez Ambiental: Os modelos Swin Transformer e ResUNet mantiveram o desempenho através de diversos Tipos de Águas Ópticas (OWTs), incluindo águas turvas e claras. Crucialmente, sob condições atmosféricas desafiadoras (nuvens finas e brilho solar intenso), os modelos de aprendizado profundo evitaram efetivamente falsos positivos que prejudicaram os índices espectrais tradicionais (NDVI e FAI), que produziram detecções generalizadas em áreas afetadas por brilho.
• Vantagem de Resolução: Comparações com produtos derivados de MODIS de 1 km revelaram que os modelos de 30 m poderiam detectar estruturas de floração fragmentadas e irregulares invisíveis para sensores de resolução mais grosseira. Enquanto o MODIS forneceu uma estimativa do limite inferior da extensão da floração, os mapas de 30 m revelaram padrões espaciais significativamente mais detalhados.

Significância e Alegações
Os autores alegam que este estudo estabelece uma nova fronteira para o aprendizado profundo no sensoriamento remoto aquático. Ao demonstrar que os Vision Transformers podem segmentar com sucesso características de floração em escala fina em ambientes costeiros dinâmicos, o trabalho apoia a transição de um monitoramento global de baixa resolução para sistemas operacionais de resolução média escaláveis. O estudo destaca que os modelos de aprendizado profundo, ao aproveitarem o contexto espectro-espacial, podem superar as limitações dos índices tradicionais baseados em limiares, particularmente na distinção de florações reais de ruídos atmosféricos e de superfície. Os autores posicionam seu framework como um passo fundamental para um potencial sistema operacional de mapeamento de florações de algas de 30 m, oferecendo melhores capacidades de alerta precoce e avaliações ecológicas para o gerenciamento costeiro. Eles reconhecem que, embora os modelos funcionem bem, trabalhos futuros são necessários para desenvolver modelos fundamentais específicos do domínio treinados em conjuntos de dados aquáticos para melhorar ainda mais a generalização e reduzir a dependência de modelos pré-treinados de domínios não-aquáticos.