Uncertainty-Aware Spatial Mixture Classification of Imbalanced CO₂ Plume States: Application to the Sleipner 2019 Benchmark

Resumo Técnico: Classificação de Mistura Espacial Consciente de Incerteza para Estados de Pluma de CO₂ Desbalanceados

Definição do Problema
O monitoramento de armazenamento geológico de dióxido de carbono (CO₂) requer uma classificação confiável de estados de pluma (ex: fora da pluma, fronteira da pluma, interior da pluma) através de reservatórios espacialmente heterogêneos. Conjuntos de dados de referência, como o modelo Sleipner 2019, apresentam desafios estatísticos significativos:

1. Desbalanceamento Severo de Classes: A vasta maioria dos bins de grade (aprox. 87% no estudo) representa a classe de fundo "fora da pluma", enquanto os estados de fronteira e interior, cientificamente críticos, são minorias raras.
2. Heterogeneidade Espacial e Estratigráfica: A relação entre preditores do reservatório (profundidade, velocidade, propriedades petrofísicas) e o estado da pluma varia através de camadas geológicas e regimes espaciais. Um classificador global único falha em capturar essas variações locais.
3. Colinearidade e Instabilidade: Os preditores do reservatório são frequentemente altamente correlacionados devido a processos geológicos compartilhados. Em modelos de mistura, onde os dados são particionados em componentes latentes, o tamanho efetivo da amostra para cada componente pode ser pequeno, levando a estimativas locais mal condicionadas e coeficientes de logit multinomial instáveis.
4. Falta de Quantificação de Incerteza: Abordagens padrão de aprendizado de máquina preditivo frequentemente fornecem estimativas pontuais sem incerteza posterior ou identificação interpretável de regimes latentes.

Metodologia
Os autores propõem um modelo de Mistura de Logit Multinomial com Pesagem de Agrupamento Espacialmente Informada. Este framework integra três elementos metodológicos distintos:

1. Modelagem de Pesagem de Agrupamento (CWM - Cluster-Weighted Modeling): Diferente das misturas padrão que modelam apenas a distribuição marginal das covariáveis, o CWM fatoriza a distribuição conjunta de covariáveis ($X$) e da resposta ($Y$). O modelo assume $G$ regimes estatísticos latentes, onde cada regime $g$ possui:

   • Uma densidade de covariável específica do componente $f_g(s_i, x_i, c_i)$, que inclui coordenadas espaciais (leste, norte, profundidade) para garantir que os regimes ocupem regiões espaciais distintas.
   • Um modelo de resposta condicional específico do componente $q_g(y_i | x_i, c_i)$, implementado como uma regressão logit multinomial.
   • Pesos de mistura constantes $\pi_g$ através do domínio (a heterogeneidade espacial é impulsionada pelas densidades das covariáveis, não pelos pesos).

2. Estimativa de Pesagem de Classe: Para lidar com o desbalanceamento severo de classes, a parte da resposta condicional da verossimilhança é ajustada usando pesos de classe derivados de uma transformação de potência inversa das frequências de classe. Isso desloca o alvo de otimização da acurácia global para a recuperação equilibrada das classes minoritárias.

3. Atualização de Encolhimento de Dois Parâmetros (Two-Parameter Shrinkage Update): Para estabilizar o algoritmo de Expectativa-Maximização (EM) em seu passo M sob colinearidade e pequenos tamanhos efetivos de amostra, os autores substituem a atualização padrão de Estimativa de Máxima Verossimilhança (MLE) para coeficientes logit multinomial por uma atualização de encolhimento de dois parâmetros específica do componente:
   $$\hat{\beta}_{g, TPE} = (A_g + I_r)^{-1}(A_g + d_g I_r)(A_g + k_g I_r)^{-1} b_g$$
   onde $A_g$ e $b_g$ são a matriz de informação de trabalho e o vetor, e $k_g, d_g$ são parâmetros de encolhimento selecionados via pseudo-BIC local ou validação cruzada. Esta atualização generaliza os estimadores de Ridge ($d_g=1$) e do tipo Liu, permitindo que o grau de regularização se adapte ao condicionamento de cada regime latente.

Principais Contribuições
O artigo posiciona-se como uma contribuição metodológica aplicada que integra técnicas estabelecidas em vez de propor teorias estatísticas inteiramente novas. As contribuições específicas são:

• Integração para Monitoramento de Reservatórios: Combinar CWM espacialmente informado, respostas logit multinomial e encolhimento de dois parâmetros especificamente para dados de reservatório agrupados e desbalanceados.
• Estabilização Específica do Componente: Incorporar uma atualização de encolhimento de dois parâmetros dentro do algoritmo EM para lidar com ajustes locais mal condicionados causados por colinearidade e classes raras dentro de regimes latentes específicos.
• Protocolo de Validação Rigoroso: Distinguir entre o desempenho aparente in-sample e o desempenho preditivo honesto usando validação cruzada de bloco espacial (para lidar com a autocorrelação espacial) e testes de transferência deixa-uma-camada-fora (leave-one-layer-out). Os autores relatam explicitamente "pseudo-BIC" e "pseudo-ICL" quando pesos de classe são usados, reconhecendo o desvio da teoria de verossimilhança padrão.
• Análise de Ablação: Isolar sistematicamente as contribuições da pesagem de classe, covariáveis espaciais, misturas latentes e encolhimento para determinar os impulsionadores do desempenho.

Resultados Empíricos (Benchmark Sleipner 2019)
O modelo foi aplicado a uma tabela de 200 metros agrupada contendo 3.409 bins através de 9 camadas.

• Regimes Latentes: O modelo identificou três regimes latentes interpretáveis e organizados por profundidade. Um regime dominou a pilha de reservatório mais profunda, enquanto os outros dois particionaram as camadas mais rasas, consistentes com a estratigrafia conhecida da Utsira.
• Condicionamento: Todos os três regimes exibiram severo mau condicionamento (números de condição $\sim 10^9$). O encolhimento se adaptou adequadamente, aplicando encolhimento forte ao regime mais mal condicionado e atualizações próximas à MLE para os regimes melhor condicionados.
• Métricas de Desempenho:
  • Baseline: Um baseline de classe majoritária alcançou uma acurácia balanceada de 0.333. Um logit multinomial global não ponderado alcançou 0.343.
  • Modelo Proposto: O CWM espacial proposto com encolhimento de dois parâmetros alcançou uma acurácia balanceada de validação cruzada de 0.561 (DP 0.093).
  • Achados de Ablação: A melhoria sobre o baseline foi impulsionada principalmente pela pesagem de classe (elevando o MLE global de 0-343 para ~0.548) e pela inclusão de covariáveis espaciais (a mistura não espacial caiu para 0.422).
  • Ganhos Marginais: A adição da estrutura de mistura latente e do encolhimento de dois parâmetros proporcionou ganhos pequenos e estatisticamente indistinguíveis em relação a um logit multinomial global ponderado por classe (0.548–0.550) ou um modelo regularizado por Ridge. Em testes de deixa-uma-camada-fora, a mistura não regularizada até superou ligeiramente a variante com encolhimento.

Significância e Alegações
Os autores são notavelmente modestos em suas alegações, declarando explicitamente que o framework proposto não supera significativamente as alternativas mais simples de pesagem de classe em termos de acurácia preditiva bruta neste benchmark específico.

• Valor Primário: A significância do framework reside na interpretabilidade e na quantificação de incerteza. O modelo fornece:
  • Identificação de regimes estatísticos latentes organizados por profundidade.
  • Mapas de incerteza posterior para cada bin, destacando zonas de transição entre regimes.
  • Estabilização adaptativa de coeficientes locais específicos de cada regime, o que é crucial para inferência robusta em configurações de colinearidade, mesmo que isso não aumente a acurácia agregada.
• Lições Metodológicas: O artigo enfatiza que para dados espaciais desbalanceados, a avaliação "honesta" (CV de bloco espacial) é crítica, pois o desempenho in-sample (0.732 de acurácia balanceada) é excessivamente otimista. Também destaca que corrigir a função objetivo (via pesagem de classe) é frequentemente mais impactante do que aumentar a complexidade do modelo.
• Conclusão: O trabalho oferece uma "abordagem interpretável e consciente de incerteza para a recuperação de estados de pluma minoritários sob desbalanceamento severo", em vez de alegar que a regularização de dois parâmetros melhora fundamentalmente a acurácia de classificação sobre baselines mais simples. O mecanismo de estabilização é apresentado como uma ferramenta para inferência local confiável em regimes mal condicionados.