Monitorando as Mudanças Costeiras da Irlanda

A costa da Irlanda é um recurso super importante, sendo afetada por várias coisas como erosão, sedimentação e atividades humanas. Monitorar essas mudanças não é fácil, especialmente porque a Irlanda tem uma costa longa de cerca de 4.578 quilômetros. Estima-se que 20% dessa costa esteja em erosão, um problema que provavelmente vai piorar por causa das mudanças climáticas e da subida do nível do mar. Pra acompanhar essas mudanças, podemos usar imagens de satélite e técnicas modernas, mas a pesquisa focada especificamente na Irlanda é bem pouca.

Pra preencher essa lacuna, apresentamos o conjunto de dados de Segmentação Costeira da Irlanda do Landsat, que vai ajudar a melhorar os métodos de identificação de corpos d'água costeiros. Esse conjunto de dados é feito pra lidar com questões únicas do clima e das características da costa da Irlanda, e também oferece uma forma de testar diferentes métodos automatizados de segmentação.

#A Importância do Monitoramento da Costa

A costa irlandesa tá sob ameaça tanto de mudanças naturais quanto de mudanças causadas pelo homem. A erosão causada por ondas e condições climáticas pode mudar o terreno, enquanto atividades humanas como construções também podem afetar as áreas costeiras. Monitorar essas mudanças é crucial pra entender a saúde dos ecossistemas costeiros e pra tomar decisões informadas sobre uso da terra e esforços de conservação.

A complexidade de observar essas mudanças com precisão se deve, em parte, à variedade de tipos de costa que existem ao redor da Irlanda, que vão de praias de areia a falésias rochosas. Cada tipo de costa reage de forma diferente a forças externas, o que torna essencial usar métodos variados pra monitorá-las.

#O Conjunto de Dados

O conjunto de dados de Segmentação Costeira da Irlanda do Landsat (LICS) é um recurso único que foi desenvolvido pra ajudar na segmentação de corpos d'água costeiros. Ele consiste em imagens de satélite tiradas ao longo de muitos anos, oferecendo uma visão abrangente das características da costa. O conjunto de dados vai permitir que os pesquisadores desenvolvam modelos melhores para identificar as fronteiras entre terra e oceano, o que pode melhorar nossa capacidade de monitorar mudanças costeiras.

O conjunto de dados inclui um foco em vários fatores que podem influenciar o desempenho do modelo. Isso inclui os tipos de costa, a época do ano em que as imagens foram tiradas e a altitude solar, que se refere ao ângulo do sol acima do horizonte.

#Seleção de Cenas

Pra criar o conjunto de dados LICS, primeiro coletamos um monte de imagens de satélite do Landsat cobrindo a costa irlandesa de abril de 1984 a maio de 2023. Isso envolveu reunir metadados para todas as cenas potenciais, resultando em um total de 14.850 cenas. Cada cena cobre uma área específica, e focamos em 11 tiles que capturaram partes diferentes da costa.

Depois, filtramos essas cenas com base em critérios específicos pra garantir dados de alta qualidade. Só escolhemos imagens de satélites Landsat específicos e removemos qualquer cena que tivesse uma alta porcentagem de cobertura de nuvens, já que isso afetaria a visibilidade. Através desse processo, acabamos com 326 cenas.

Dessas, escolhemos 100 cenas, garantindo uma representação equilibrada de vários anos e altitudes solares. Essa seleção cuidadosa garante que o conjunto de dados capture uma ampla gama de condições que afetam a costa.

#Bandas Espectrais e Recorte

As cenas selecionadas contêm várias bandas espectrais que fornecem informações diferentes sobre a terra e a água. Cada imagem tem uma resolução de 30 metros, que é adequada para nossas tarefas de segmentação.

Dado o tamanho maior das cenas do Landsat, recortamos essas imagens em quadrados menores de 256 por 256 pixels pra treinar nossos modelos de forma eficaz. Pra teste, selecionamos aleatoriamente locais entre os tiles pra garantir uma representação justa da costa, mantendo um bom equilíbrio entre terra e oceano.

No total, criamos 30.000 instâncias de treinamento e 100 instâncias de teste a partir das imagens recortadas. Isso ajuda a testar a eficácia do modelo em identificar corpos d'água costeiros.

#Processo de Anotação

As anotações pro conjunto de dados de treinamento foram feitas manualmente. Isso envolveu desenhar formas ao redor das áreas de água nas imagens de satélite, atribuindo um valor de 1 pra oceano e 0 pra terra. As anotações rápidas levaram entre 15 e 25 minutos pra cada cena, oferecendo um compromisso razoável entre velocidade e precisão.

Pro conjunto de dados de teste, levamos mais tempo pra criar anotações precisas. Usando imagens de maior resolução e auxiliares visuais adicionais, garantimos que o conjunto de dados de teste representasse com precisão as fronteiras entre terra e oceano. Esse processo visava diminuir a probabilidade de erros que poderiam impactar a avaliação dos modelos.

#Classificação do Tipo Costeiro

Pra ter mais ideias, classificamos cada imagem de teste com base no tipo de costa, sendo "rochosa" ou "arenosa." A maior parte da costa da Irlanda é feita de rochas duras ou praias de areia. Ao analisar visualmente os locais de teste, fizemos a classificação e garantimos que a maior parte do tipo de costa estivesse refletida na classificação final.

#Abordagens de Segmentação

Pra determinar a eficácia dos nossos modelos, usamos diferentes abordagens pra segmentar corpos d'água. Um método amplamente utilizado é o Índice de Diferença Normalizada de Água (NDWI). Essa abordagem avalia corpos d’água com base nos valores de intensidade de pixels, oferecendo uma forma rápida de classificar áreas como terra ou água sem precisar de dados de treinamento.

Além do NDWI, testamos um método de aprendizado de máquina chamado Extreme Gradient Boosting (XGBoost) pra ver como ele se saiu em comparação com modelos de deep learning. Usamos especificamente a arquitetura de deep learning U-NET, que é feita pra segmentação de imagens. Esse modelo U-NET usa várias camadas pra analisar as imagens e consegue considerar o contexto dos pixels ao redor ao fazer previsões.

#Métricas de Avaliação

Pra avaliar o quão bem nossos modelos se saíram, consideramos diferentes métricas baseadas no número de verdadeiros positivos, falsos positivos, verdadeiros negativos e falsos negativos. Essas métricas ajudam a entender quantos pixels foram classificados corretamente como terra ou água. Também observamos como os modelos se saíram especificamente perto da costa, onde as classificações erradas costumam ser mais comuns.

Outra métrica utilizada foi a Figura de Mérito (FOM), que avalia a precisão da detecção de bordas da costa. Essa métrica nos ajuda a entender o quão próximas nossas costas previstas estavam das costas reais.

#Resultados

Ao avaliar as técnicas de segmentação, descobrimos que o modelo U-NET alcançou uma precisão de 95,0%, o que é promissor em comparação com o método tradicional NDWI que teve uma precisão média de 97,2%. Embora o U-NET tenha se saído bem, o NDWI se destacou em detectar as bordas da costa, demonstrando sua força pra essa tarefa específica.

É importante notar que o modelo U-NET apresentou algumas fraquezas em prever com precisão as costas. Em particular, teve dificuldade em classificar erroneamente pixels perto da costa, provavelmente por causa das anotações imprecisas no conjunto de dados de treinamento. Em contraste, o NDWI teve uma tendência a classificar erroneamente pixels oceânicos que estavam mais distantes da terra.

#Desafios e Limitações

Enquanto nosso estudo mostra potencial para métodos de deep learning, é crucial considerar as limitações do nosso conjunto de dados e métodos. Por exemplo, as anotações de treinamento podem introduzir vieses devido à sua natureza imprecisa. Além disso, como usamos uma seleção de imagens relativamente sem nuvens, o modelo pode não ser tão robusto quanto poderia ser em condições mais variáveis.

Além disso, o método de desenvolvimento dos dados de treinamento foi intensivo em mão de obra, e a dependência do julgamento de uma única pessoa pra anotações pode afetar a precisão.

#Variações de Tipo Costeiro e Tempo

Nossos resultados sugerem que o desempenho do modelo U-NET variou com base no tipo de costa. Ele se saiu melhor em costas mais uniformes, enquanto teve dificuldades com costas irregulares, que são mais comuns na costa oeste da Irlanda. Por outro lado, o NDWI mostrou um desempenho melhor no geral.

Ao olhar a precisão com base em diferentes décadas, encontramos variações, sendo o melhor desempenho em 2010 e o pior em 2020. No entanto, isso pode ser influenciado pelas áreas costeiras específicas escolhidas pra avaliação nesses anos.

A altitude solar, ou o ângulo do sol, também impactou o desempenho do modelo. Para o U-NET, as variações na precisão foram menores do que as observadas com o NDWI. Isso sugere que, embora a altitude solar afete os índices espectrais, o U-NET permanece consistente em diferentes condições.

#Importância de Diferentes Bandas

Uma análise da importância das diferentes bandas espectrais usadas pelo modelo U-NET revelou que nem todas as bandas contribuem igualmente pra eficácia do modelo. As bandas do Infravermelho Próximo (NIR) e do Infravermelho de Ondas Curtas (SWIR) tiveram o impacto mais significativo, enquanto outras bandas contribuíram pouco para as previsões.

#Conclusão e Trabalho Futuro

O conjunto de dados de Segmentação Costeira da Irlanda do Landsat é um recurso valioso pra melhorar nosso entendimento da costa irlandesa. Ao fornecer imagens de satélite de alta qualidade e anotações extensivas, esse conjunto de dados pode ajudar a desenvolver modelos mais precisos pra monitorar mudanças costeiras.

Enquanto os modelos atuais mostram promessas, mais trabalho é necessário pra melhorar seu desempenho. Pesquisas futuras vão focar em refinar o processo de anotação pra criar dados de treinamento mais precisos. Ao explorar métodos semi-supervisionados, podemos desenvolver conjuntos de dados maiores enquanto mantemos a qualidade das anotações.

Além disso, investigar definições alternativas pra monitorar costas, como a linha de maré alta ou linhas de vegetação, poderia melhorar nosso entendimento das mudanças costeiras. Usar imagens de satélite de maior resolução também poderia fornecer insights mais detalhados.

Com pesquisa contínua e desenvolvimento desses métodos, esperamos criar modelos que possam monitorar de forma mais eficaz a saúde da costa dinâmica da Irlanda.