⚡ engenharia elétrica

A method of neural network identification of thermokarst formations in Central Yakutia using graphic data from satellite remote

Este artigo apresenta um método baseado em redes neurais convolucionais para identificar formações de termocarste na Ásia Central da Yakutia utilizando imagens de satélite, alcançando alta precisão de classificação (0,94–0,96) em quatro tipos de paisagem.

Autores originais: Vasilii Zhebsain, Artem Gololobov, Aiaal Poselsky, Nikolai Basharin

Publicado 2026-10-30

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Vasilii Zhebsain, Artem Gololobov, Aiaal Poselsky, Nikolai Basharin

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Nas vastas e congeladas paisagens do norte da Rússia, o solo não é tão sólido quanto parece. Sob a superfície encontra-se o permafrost, um solo que permanece congelado há milhares de anos. No entanto, à medida que o clima aquece, esta terra congelada está começando a descongelar, desencadeando um processo conhecido como termocárstico. Quando o gelo dentro do solo derrete, o terreno colapsa, criando um terreno caótico de sumidouros, depressões e bacias preenchidas por água. Na Ásia Central de Yakutia, uma região no leste da Sibéria, essas formações frequentemente assumem uma aparência geométrica distinta, assemelhando-se a um mosaico de polígonos que se estende pela tundra. Esta transformação está acelerando rapidamente, com novos elementos formando-se em apenas vinte e cinco a trinta anos. Embora estas mudanças tenham ocorrido naturalmente por milênios, a taxa atual de aquecimento está impulsionando-as com uma velocidade sem precedentes, ameaçando a infraestrutura e alterando ecossistemas. Monitorar estas mudanças é crítico, mas a escala imensa da paisagem torna difícil para os seres humanos rastrear cada mudança apenas com os olhos.

Para enfrentar este desafio, uma equipe de pesquisadores da Universidade Federal do Nordeste e de vários institutos científicos russos desenvolveu uma nova maneira de observar a mudança do solo congelado. Eles recorreram a imagens de satélite, utilizando o mesmo tipo de mapas de alta resolução encontrados em aplicativos de navegação cotidianos, mas aplicando uma forma sofisticada de aprendizado computacional para analisá-los. Em vez de um humano olhar para uma tela e tentar detectar uma depressão, os pesquisadores treinaram um programa de computador para reconhecer os padrões visuais das formações termocársticas automaticamente. O objetivo era ensinar a máquina a distinguir entre quatro tipos específicos de paisagens: áreas com estas formações de degelo, campos abertos, florestas e corpos de água. Ao fazer isso, eles esperavam criar uma ferramenta que pudesse escanear vastas áreas da natureza selvagem da Sibéria e sinalizar os primeiros sinais de colapso do solo antes que se tornem catastróficos.

Os pesquisadores começaram construindo uma biblioteca de imagens para ensinar seu computador. Eles criaram uma ferramenta online que permitia selecionar e rotular rapidamente milhares de pequenas fotos quadradas tiradas de mapas de satélite. Estas fotos vieram de duas áreas específicas em Yakutia conhecidas por possuírem muitas características termocársticas. Eles reuniram mais de dez mil imagens, dividindo-as em diferentes tamanhos para ver qual funcionava melhor para o computador. Algumas imagens eram pequenas, medindo 70 por 70 pixels, enquanto outras eram maiores, com 128 por 128 pixels. Para garantir que o computador aprendesse corretamente, eles verificaram muitos dos pontos de termocárstico usando drones, voando baixo sobre o terreno para confirmar o que os satélites estavam vendo. Esta preparação cuidadosa criou um conjunto robusto de exemplos, ou um conjunto de dados de treinamento, que o computador poderia estudar para aprender a diferença entre uma floresta, um campo, um lago e uma mancha de solo em degelo.

Uma vez que os dados estavam prontos, a equipe construiu um céreão digital, conhecido como rede neural convolucional, para realizar o reconhecimento. Este tipo de programa de computador é projetado para processar imagens de forma muito semelhante ao modo como o olho e o cérebro humanos trabalham juntos. Ele observa uma imagem e a divide em camadas, procurando primeiro por formas e texturas simples, e depois combina essas partes simples para reconhecer padrões complexos. Os pesquisadores testaram muitas versões diferentes deste cérebro digital, alterando o número de camadas e a maneira como ele processava as informações. Eles queriam encontrar a arquitetura específica que pudesse identificar as formações termocársticas com a maior precisão possível. Eles realizaram inúmeros experimentos, alimentando o computador com milhares de imagens e observando quão bem ele aprendia a classificá-las nas categorias corretas.

Os resultados mostraram que o computador podia, de fato, aprender a detectar essas formações com uma precisão notável. Após testar muitos designs diferentes, os pesquisadores identificaram três modelos específicos que tiveram o melhor desempenho. Esses modelos de alto desempenho foram capazes de identificar corretamente as formações termocársticas em cerca de 94 a 96 por cento dos casos em que foram testados. Este nível de precisão é significativo porque significa que o sistema pode distinguir de forma confiável os sinais sutis de solo em degelo de outras características da paisagem. O computador foi particularmente bom em diferenciar uma floresta de um lago, mas às vezes teve dificuldade em distinguir uma formação termocárstica de um campo aberto. Esta confusão faz sentido, pois ambos podem parecer um solo plano e aberto quando vistos de cima, e os pesquisadores observaram que isso reflete a dificuldade do mundo real em distinguir essas características sem uma inspeção próxima.

O estudo conclui que este método oferece uma poderosa nova ferramenta para monitorar o Ártico em mudança. Ao usar imagens de satélite e programas de computador treinados, os cientistas podem agora escanear grandes áreas da Ásia Central de Yakutia de forma muito mais rápida e consistente do que antes. O software desenvolvido pela equipe está pronto para ser usado para monitoramento automatizado, desde que os dados de treinamento sejam mantidos atualizados e verificados. Embora o sistema não seja perfeito e ainda cometa erros ocasionais, sua capacidade de atingir tal precisão sugere que o aprendizado de máquina pode desempenhar um papel vital no rastreamento da rápida degradação do permafrost. Esta abordagem permite que os pesquisadores mantenham um olhar mais atento sobre o solo congelado, oferecendo uma maneira de compreender e responder às mudanças aceleradas em um dos ambientes mais sensíveis da Terra.

Resumo Técnico: Identificação de Formações de Termocarsos por Redes Neurais em Yakutsk Central

Definição do Problema
O artigo aborda a degradação acelerada das paisagens da criolitozona no centro de Yakutsk, impulsionada pelo aquecimento global e manifestada como formações poligonais distintas de termocarsos. Embora esses processos tenham precedentes históricos, sua taxa de formação aumentou dramaticamente nas últimas décadas, com um período médio de formação de 25 a 30 anos. Os autores identificam uma lacuna nas capacidades atuais de monitoramento, observando que pouca atenção foi dada ao refinamento de métodos para detectar esses processos de degradação da paisagem usando aprendizado de máquina. Estudos existentes focaram em outras regiões (Alasca, Canadá, Tibete) ou características específicas como dolinas e deslizamentos de terra, mas há uma necessidade de identificação automatizada e em estágio inicial de feições de termocarsos especificamente dentro do contexto de Yakutsk Central.

Metodologia
O estudo propõe um método para a identificação automatizada de formações de termocarsos utilizando Redes Neurais Convolucionais (CNNs) treinadas em imagens de sensoriamento remoto de satélite.

Geração de Dados: Os autores desenvolveram uma aplicação online para gerar rapidamente conjuntos de dados de treinamento, permitindo que os usuários selecionem áreas específicas da paisagem em mapas dos serviços Google e Yandex. O estudo focou no distrito de Churapchinsky e na aldeia de Vladimirovka, em Yakutsk. As formações de termocarsos foram verificadas por meio de Veículos Aéreos Não Tripulados (VANTs/UAVs).
Construção do Conjunto de Dados: Dois conjuntos de dados experimentais foram criados:
- DS0: Um conjunto de dados balanceado contendo 3.024 imagens (70×70 pixels) focadas em feições de termocarsos, campos, florestas e corpos d'água (embora o subconjunto inicial de treinamento para DS0 incluísse apenas termocarsos e campos).
- DS1: Um conjunto de dados desbalanceado contendo 10.044 imagens (128×128 pixels, representando áreas de 32×32 m) com quatro classes distintas: formações de termocarsos, campos, florestas e corpos d'água.
Arquitetura do Modelo: A CNN implementada utiliza uma arquitetura sequencial composta por camadas convolucionais, camadas de pooling (subamostragem) e camadas totalmente conectadas.
- Operações: A rede aplica kernels de convolução para extrair características, seguidos por funções de ativação ReLU. As camadas de pooling reduzem a dimensionalidade.
- Treinamento: A rede foi treinada utilizando o método de retropropagação (backpropagation) com o otimizador Adam. A função de perda selecionada foi a SparseCategoricalCrossentropy.
- Hiperparâmetros: Experimentos foram conduzidos com 150 épocas. O estudo testou aproximadamente 180 variações de modelos em 17 séries, variando o número de camadas e a contagem de filtros (por exemplo, configurações como $2\times32c, N\times64c, 128$ ).
Métricas de Avaliação: A acurácia foi avaliada usando Recall, Precisão e F1-score, calculados com base em Verdadeiros Positivos (TP), Falsos Positivos (FP) e Falsos Negativos (FN). Matrizes de confusão foram utilizadas para analisar erros de classificação.

Principais Contribuições

Criação de Conjunto de Dados: O desenvolvimento de uma ferramenta online especializada para geração rápida de conjuntos de dados e a criação de dois conjuntos de dados distintos (DS0 e DS1) contendo imagens de satélite verificadas das paisagens de Yakutsk Central.
Seleção de Modelo: A avaliação sistemática de 17 séries de modelos para identificar três arquiteturas de CNN específicas que apresentam o melhor desempenho para esta tarefa específica.
Visualização de Características: A análise da geração de mapas de características camada por camada, demonstrando que diferenças significativas entre as classes de paisagem (termocarsos vs. campos vs. florestas vs. água) tornam-se evidentes já na quarta camada da rede.

Resultos
Experimentos numéricos revelaram que o desempenho do modelo é altamente dependente da arquitetura específica e do número de camadas.

Conjunto de Dados DS0: Experimentos iniciais no conjunto de dados balanceado mostraram alta acurácia, atingindo 1,0 para o treinamento e 0,97–0,98 para os subconjuntos de validação.
Conjunto de Dados DS1: No conjunto de dados mais complexo e desbalanceado, o estudo identificou três séries de modelos ideais:
1. $2\times32c, N\times64c, 128$
2. $2\times64c, N\times32, 128$
3. $2\times32c, 2\times64c, N\times128c, 128$
Níveis de Acurácia:
- A série $2\times32c, N\times64c, 128$ alcançou Recall máximo de 0,95–0,96 com 10–12 camadas.
- A série $2\times32c, 2\times64c, N\times128c, 128$ alcançou um Recall máximo de aproximadamente 0,96 com 13 camadas.
- A série $2\times64c, N\times32, 128$ mostrou Recall máximo em torno de 0,95 com 14–15 camadas.
- No geral, os melhores modelos atingiram níveis de acurácia (Recall, Precisão, F1-score) na faixa de 0,94–0,96.
Análise de Erro: As matrizes de confusão indicaram que a principal fonte de erro foi a distinção entre formações de termocarsos e campos, uma dificuldade atribuída à distribuição geográfica real e à semelhança visual dessas feições.

Significância e Alegações
O artigo afirma que o método proposto, utilizando os modelos de CNN identificados e o software de aplicação desenvolvido, é eficaz para o monitoramento automatizado de paisagens da criolitozona. Os autores afirmam que o método identifica com sucesso feições de termocarsos em estágio inicial em imagens de satélite com alta precisão. O estudo enfatiza que a abordagem é viável, desde que sejam preparados conjuntos de dados de treinamento apropriados e verificados. O trabalho contribui com uma ferramenta prática para enfrentar a necessidade urgente de monitorar a degradação da paisagem em Yakutsk Central, oferecendo uma alternativa escalável à observação manual.

Mais como este