A Probabilistic Framework for Reconstructing Sparse UAV-Based Radiation Monitoring Data Using Gaussian Process Regression and Uncertainty Quantification

Resumo Técnico: Um Framework Probabilístico para a Reconstrução de Dados Esparsos de Monitoramento de Radiação Baseados em UAV

Definição do Problema
O monitoramento ambiental contemporâneo, particularmente no que diz respeito à contaminação radioativa, enfrenta desafios significativos ao depender de redes estacionárias tradicionais. Esses sistemas sofrem com baixa resolução espacial, cobertura estática e incapacidade de realizar levantamentos rápidos em áreas perigosas ou inacessíveis. Embora Veículos Aéreos Não Tripulados (UAVs) equipados com sensores IoT ofereçam uma alternativa móvel, eles frequentemente geram conjuntos de dados espacialmente heterogêneos e incompletos devido a restrições de trajetória de voo, obstáculos ambientais e duração da missão.

O problema central abordado é a dificuldade de reconstruir campos de contaminação ambiental contínuos a partir dessas medições discretas e esparsas. Métodos de interpolação padrão frequentemente falham em capturar estruturas espaciais complexas ou em fornecer previsões confiáveis em regiões subamostradas. Além disso, os tomadores de decisão necessitam não apenas de um mapa reconstruído, mas de uma estimativa explícita da confiança (incerteza) associada a essas previsões para avaliar o risco ambiental com precisão.

Metodologia
O estudo propõe um framework analítico unificado e consciente da incerteza que integra pré-processamento de dados, interpolação espacial e quantificação de incerteza. A metodologia é implementada dentro de uma arquitetura híbrida de borda-nuvem (edge-cloud):

1. Arquitetura do Sistema: Um sistema agnóstico a sensores coleta dados via UAVs, transmitindo payloads JSON via MQTT para um servidor na nuvem. A arquitetteura suporta uma abordagem de circuito duplo: visualização em tempo real dos dados brutos e geração periódica de modelos analíticos de alta precisão.
2. Pré-processamento de Dados: Para lidar com o ruído e a não uniformidade nos dados gama-espectrométricos aerotransportados, um fluxo de trabalho de dois estágios é aplicado:
   • Filtragem de Ruído Não Linear: Um filtro de mediana é utilizado para remover artefatos de alta frequência e outliers (ruído salt-and-pepper), preservando gradientes espaciais nítidos, superando médias móveis lineares.
   • Agregação Baseada em Grade: Dados de trajetórias de voo sobrepostas são homogeneizados pela média de valores dentro de células de grade virtuais, reduzindo o conjunto de dados a um conjunto estruturalmente consistente de pontos representativos (1.679 pontos para treinamento de GPR).
3. Modelos de Reconstrução Espacial: Dois abordos probabilísticos são comparados contra um método de linha de base:
   • Ponderação pelo Inverso da Distância (IDW): Utilizada como o método determinístico de linha de base.
   • Krigagem Ordinária: Um método geoestatístico que utiliza um modelo de variograma esférico para considerar a correlação espacial.
   • Regressão de Processos Gaussianos (GPR): Uma abordagem de aprendizado de máquina que emprega um kernel composto (Radial Basis Function + WhiteKernel) para modelar correlações espaciais suaves e ruído de medição. Uma transformação logarítmica é aplicada para estabilizar a variância. Os hiperparâmetros são otimizados automaticamente durante o treinamento.
4. Validação: Os modelos são validados usando uma divisão aleatória de treino-teste de 80/20 em um conjunto de dados de 3.722 medições de atividade de Césio-137 coletadas na Zona de Exclusão de Chernobyl. O desempenho é avaliado usando Erro Quadrático Médio (RMSE), Erro Médio Absoluto (MAE) e o coeficiente de determinação ($R^2$).

Principais Resultados
A validação experimental demonstra que métodos que consideram a correlação espacial superam significativamente a abordagem determinística IDW:

• Acurácia: A Regressão de Processos Gaussianos (GPR) alcançou as métricas de desempenho mais elevadas, reduzindo o RMSE em aproximadamente 23% em comparação ao IDW e 11% em relação à Krigagem Ordinária. A GPR apresentou um $R^2$ de 0,96, comparado a 0,94 para a Krigagem e 0,92 para o IDW.
• Quantificação de Incerteza: Diferente dos métodos determinísticos, a GPR fornece estimativas espacialmente explícitas de incerteza preditiva (desvio padrão). Os mapas de incerteza resultantes visualizam claramente regiões de alta confiança (próximo às trajetórias de voo) e baixa confiança (áreas extrapoladas), oferecendo uma ferramenta crítica para a avaliação de riscos.
• Desempenho Computacional: Embora a GPR ofereça superioridade em acurácia, ela é computacionalmente intensiva (complexidade $O(n^3)$). No hardware de teste (Apple M4), o ajuste do modelo levou aproximadamente 30 segundos para o conjunto de dados pré-processado. Isso torna necessária a proposta de arquitetura de circuito duplo, onde a visualização em tempo real lida com necessidades imediatas, enquanto a GPR gera modelos de alta precisão periodicamente.

Principais Contribuições
O artigo reivindica as seguintes contribuições primárias para o campo do monitoramento ambiental:

1. Framework Probabilístico: O desenvolvimento de um framework específico para a reconstrução de dados de radiação esparsos baseados em UAV utilizando Regressão de Processos Gaussianos.
2. Quantificação de Incerteza Integrada: A integração direta da estimativa de incerteza no mapeamento de contaminação ambiental, indo além da simples interpolação determinística.
3. Arquitetura de Circuito Duplo: Uma demonstração de um design de sistema que combina visualização de dados em tempo real com a geração periódica de modelos probabilísticos de alta precisão, abordando o compromisso entre latência e rigor analítico.
4. Design Agnóstico a Sensores: Uma arquitetura de sistema capaz de integrar diversos sensores IoT (radiológicos, de gases, material particulado) sem alterar o framework de processamento subjacente.

Significância e Alegações
Os autores afirmam que o framework proposto melhora significativamente a interpretação de dados de sensoriamento ambiental esparsos, particularmente sob condições de cobertura espacial incompleta. Ao fornecer estimativas de incerteza espacialmente explícitas, o sistema permite uma "tomada de decisão ambiental consciente da confiança", permitindo que operadores identifiquem áreas que requerem medições adicionais e realizem avaliações de risco mais conservadoras em zonas de alta incerteza.

O estudo conclui que, embora a Krigagem Ordinária permaneça um baseline confiável e interpretável com menores custos computacionais, a GPR é superior para reconstruir campos espaciais complexos e quantificar a confiabilidade da predição. O trabalho destaca que os futuros sistemas de monitoramento ambiental devem evoluir além da simples interpolação espacial para incluir reconstrução probabilística e mapeamento de incerteza para apoiar a resposta de emergência eficaz e a avaliação de risco a longo prazo. Os autores observam limitações quanto ao escopo de estudo de site único e às demandas computacionais da GPR para aplicações de larga escala em tempo real, sugerindo que trabalhos futuros foquem em variantes escaláveis de GPR e planejamento adaptativo de trajetória de UAV.