Resumo Técnico: Benchmarking de Modelos de Deep Learning para Classificação de Eventos Densos de Infraestrutura Eólica Offshore em Séries Temporais Sentinel-1

Definição do Problema

A expansão global da energia eólica offshore, impulsionada por metas ambiciosas na China, na União Europeia e no Reino Unido, necessita de um monitoramento rigoroso dos ciclos de vida da infraestrutura, particularmente na fase de implantação. Embora as missões de Observação da Terra (EO), como o radar de abertura sintética (SAR) Sentinel-1 da ESA, forneçam vastos arquivos de dados adequados para o monitoramento global, extrair informações significativas desses arquivos de alto volume continua sendo um desafio.

Abordagens anteriores basearam-se amplamente em classificadores orientados por especialistas e baseados em regras para interpretar séries temporais do Sentinel-1. Embora esses métodos possam distinguir entre os estados "turbina" e "sem turbina", eles frequentemente carecem da granularidade semântica para desmembrar eventos de implantação específicos (ex: investigação do local, construção da fundação, instalação de nacela/rotor) em um nível denso de aquisição única. Além disso, os produtos globais existentes muitas vezes agregam dados para resoluções mensais ou trimestrais, subestimando a complexidade do processo de implantação. O problema central abordado é a necessidade de um algoritmo automatizado e escalável que possa realizar a classificação de eventos densos em séries temporais Sentinel-1 para fornecer uma visão matizada e global da implantação de infraestrutura eólica offshore, indo além de sinais binários para sequências temporais detalhadas.

Metodologia

Preparação de Dados

O estudo utiliza o conjunto de dados DeepOWT v3.25.1, composto por 15.606 séries temporais (14,8 milhões de eventos) derivadas de imagens Sentinel-1 GRD IW com polarização VH (2016–2025).

• Representação de Características: Patches 2D de SAR são reduzidos a perfis de intensidade de retroespalhamento 1D ao longo da direção da distância (range) para capturar características espaciais como efeitos de layover. Os perfis são padronizados (z-score) e preenchidos/cortados para um comprimento fixo de 64 bins.
• Rotulagem: Os eventos são classificados em seis classes: água, embarcação, fundação, ancoragem/construção, turbina e plataforma.
• Conjuntos de Treinamento:
  • Supervisionado: 500 séries temporais anotadas manualmente (661.732 eventos) foram criadas. Para lidar com o desequilíbrio de classes (onde embarcação e ancoragem/construção são raras), estratégias de amostragem específicas foram empregadas:
    • Monotemporal: Subamostragem aleatória de classes dominantes e sobreamostragem de classes minoritárias para criar conjuntos de eventos equilibrados.
    • Multitemporal: Janelas de 64 eventos centradas em transições de rótulos (unidirecionais ou bidirecionais) para capturar contexto.
  • Aprendizado Autossupervisionado (SSL): Aproveitando os 14,5 milhões de eventos não rotulados restantes, conjuntos de dados de SSL foram construídos usando rótulos de classificadores baseados em regras para mascarar e reconstruir perfis de eventos ou prever o próximo evento.

Arquiteturas de Modelos e Desenho Experimental

O estudo compara dez variantes de treinamento de modelos através de três fluxos arquiteturais:

1. Monotemporal (Sem Consciência Sequencial): Redes Neurais Totalmente Conectadas (FCNN) operando em perfis de eventos individuais.
2. Causal (Contexto Unidirecional): Modelos LSTM e Transformer usando apenas o contexto passado (autoatenção mascarada), adequados para inferência em tempo quase real.
3. Bidirecional (Contexto Total): Modelos BiLSTM e Transformer usando tanto o contexto passado quanto o futuro (autoatenção total), adequados para análise histórica offline.

Cada arquitetura foi testada em duas configurações:

• Apenas Supervisionado: Treinado diretamente nos dados rotulados manualmente.
• SSL + Supervisionado: Pré-treinado em dados não rotulados via tarefas de reconstrução/previsão do próximo evento, seguido de ajuste fino (fine-tuning) nos dados rotulados usando taxas de aprendizado discriminativas e descongelamento gradual.

Métricas de Avaliação

O desempenho foi avaliado em um conjunto de teste mantido à parte (553 séries temporais) usando:

• Área Sob a Curva de Similaridade de Edição Colapsada (AUCEditSim): A métrica primária, medindo a qualidade do alinhamento da sequência enquanto considera o desequilíbrio de classes e a sensibilidade de transição.
• Taxa de Correspondência Perfeita (Perfect Match Rate): A porcentagem de sequências com 100% de similaridade de edição colapsada.
• Análise de Transição de Rótulos: Comparando o número de transições de classe nas previsões contra o conjunto de teste para avaliar a homogeneidade da sequência e o ruído.
• F1, Precisão e Recall por classe.

Principais Contribuições

1. Expansão do Conjunto de Dados: Lançamento de 500 séries temporais adicionais de infraestrutura eólica offshore anotadas manualmente e distribuídas globalmente (661.732 eventos) para facilitar a pesquisa em deep learning.
2. Benchmarking Sistemático: Uma comparação estruturada de dez variantes de deep learning (LSTM, Transformer, FCNN) através de contextos monotemporais, causais e bidirecionais, com e sem pré-treinamento autossupervisionado.
3. Estratégia de Ensemble: Desenvolvimento de um ensemble que minimiza a transição de rótulos, combinando o modelo de deep learning com melhor desempenho com a linha de base baseada em regras para otimizar a consistência da sequência e recuperar o desempenho em classes sub-representadas.
4. Análise de Implantação Global: Aplicação dos rótulos melhorados para isolar fases de implantação de 15.066 turbinas globalmente, fornecendo durações medianas de implantação e dinâmicas regionais para China, UE e Reino Unido.

Resultados

Desempenho dos Modelos

• Superioridade Bidirecional: Todos os modelos de deep learning bidirecionais superaram a linha de base baseada em regras (AUCEditSim 0,7853). O BiLSTM supervisionado alcançou o maior desempenho com um AUCEditSim de 0,8509 e uma taxa de correspondência perfeita de 0,5063 (vs. 0,3508 da linha de base).
• Modelos Causais: Modelos causais (LSTM e Transformer) geralmente tiveram desempenho inferior à linha de base baseada em regras em AUCEditSim. No entanto, o Aprendizado Autossupervisionado (SSL) proporcionou ganhos significativos para Transformers causais, melhorando o AUCEditSim de ~0,70 para ~0,75 e a taxa de correspondência perfeita de 0,15 para 0,26.
• Modelos Monotemporais: As FCNNs tiveram um desempenho ruim (AUCEditSim ~0,30), confirmando que o contexto sequencial é essencial para esta tarefa.
• Impacto do SSL: Para modelos bidirecionais, o SSL não melhorou o desempenho, sugerindo que os rótulos supervisionados já forneceram aprendizagem de representação suficiente. Para modelos causais, o SSL foi benéfico, particularmente para Transformers.

Desempenho do Ensemble

Combinar as previsões do BiLSTM supervisionado com a linha de base baseada em regras via um ensemble de minimização de transição gerou os resultados mais robustos:

• Consistência de Sequência: A correlação de rank de Spearman para transições de rótulos aumentou para 0,924 (vs. 0,89 para o BiLSTM sozinho).
• Recuperação de Classe: O ensemble recuperou o desempenho em classes sub-representadas. Notavelmente, o F1 da classe plataforma saltou de 0,4677 (BiLSTM) para 0,7352, igualando a linha de base de 0,7357. A classe fundação também viu melhorias, embora tenha permanecido ligeiramente abaixo da linha de base.

Análise Regional

Usando os rótulos melhorados, o estudo isolou as fases de implantação e relatou as durações medianas de implantação:

• China: 84 dias
• União Europeia: 242 dias
• Reino Unido: 258 dias

A análise revelou padrões regionais distintos:

• UE/Reino Unido: A construção se concentra em janelas favoráveis (abril–setembro). O Reino Unido exibe um padrão bienal com fases de implantação mais longas.
• China: A atividade de implantação mostra quedas acentuadas no final do ano seguidas por surtos no primeiro trimestre, impulsionadas por prazos regulatórios de subsídios (ex: a expiração da tarifa de alimentação de 2021). O cluster de Jiangsu (Rudong) foi identificado como o centro de energia eólica offshore mais denso do mundo, com a atividade mudando para outras províncias (Guangdong, Shandong, Zhejiang) conforme os subsídios locais expiravam.

Significância e Alegações

O artigo afirma fornecer a primeira investigação sistemática de como o deep learning pode melhorar a classificação densa de séries temporais de infraestrutura eólica offshore baseadas em Sentinel-1 em escala global.

• Avanço sobre Sistemas Baseados em Regras: O estudo demonstra que o deep learning, especificamente arquiteturas bidirecionais, pode superar classificadores baseados em regras orientados por especialistas em alinhamento de sequência e homogeneidade, oferecendo uma visão mais matizada do ciclo de vida de implantação.
• Utilidade Prática: Os rótulos derivados permitem o isolamento de fases específicas de implantação, indo além dos sinais binários "turbina/sem turbina". Isso permite a quantificação das durações de implantação e a identificação de drivers regulatórios e ambientais (ex: prazos de subsídios, janelas climáticas sazonais) em escala global.
• Limitações e Trabalho Futuro: Os autores notam modestamente que, embora os modelos bidirecionais se destaquem em análises offline, os modelos causais atualmente ficam atrás das linhas de base baseadas em regras, limitando sua utilidade para monitoramento em tempo quase real. Eles também destacam que a janela fixa de 64 eventos pode perder padrões temporais de longo alcance (ex: aparições precoces de fundação implausíveis), sugerindo que trabalhos futuros abordem a modelagem de sequências de comprimento variável.
• Disponibilidade de Dados: O estudo enfatiza a disponibilidade pública dos dados de treinamento, rótulos previstos e fases de implantação derivadas para fomentar mais pesquisas.