Detección de derrames de petróleo mediante imágenes de satélites ópticos y activos e inteligencia artificial

Abstract

"Los derrames de petróleo marinos representan un problema a nivel mundial, causando daños al ecosistema y pérdidas económicas. Por tanto, es crucial contar con un mecanismo que mejore la toma de decisiones ante estos desastres. Actualmente, la disponibilidad de datos de sensores remotos, y el incremento en las capacidades computacionales que permiten implementar técnicas de inteligencia artificial (IA), pueden ayudar al monitoreo terrestre y prevención de desastres. En este trabajo se utilizan estas herramientas para generar un mecanismo capaz de clasificar y segmentar los derrames de petróleo, así como extraer su área. Se realizaron dos esquemas, uno para sensores pasivos, y otro para activos. Para los sensores pasivos se desarrolló un método para clasificar derrames de petróleo y estimar su concentración mediante la respuesta espectral de las superficies, y técnicas de aprendizaje automático (ML) en imágenes Landsat. Para la parte de activos proponemos un mecanismo en dos etapas usando aprendizaje profundo en imágenes Sentinel-1 para detectar y segmentar derrames de petróleo. Generamos un conjunto de datos con imágenes de diversas regiones del mundo y entrenamos redes neuronales convolucionales (CNN) para clasificación. Para la segmentación, experimentamos con modelos como logístico, perceptrón multicapa (MLP) y U-net, usando métricas y funciones de pérdida como Pérdida focal (Focal Loss) e Intesección sobe la Unión (Intersection over Union (IoU)). Los resultados para los sensores pasivos en la tarea de clasificación, el modelo K-Nearest Neighbor (KNN) obtuvo las mejores aproximaciones en la detección de petróleo utilizando las bandas Azul (0,453-0,520 μm), NIR (0,790-0,891 μm), SWIR1 (1,557-1,717 μm) y SWIR2 (1,960-2,162 μm) para imágenes del derrame de la plataforma DeepWater Horizon en el Golfo de México en 2010. En el modelo de concentración, el error absoluto medio (MAE) fue de 1,41 y 3,34, para entrenamiento y validación. Al probar el modelo de estimación de concentración en imágenes en las que se detectó petróleo, la estimación obtenida se situó entre el 40 y el 60%. Para los sensores activos el modelo CNN alcanzó una exactitud (Accuracy) del 0.99 en entrenamiento, 0.98 en validación y 0.96 en pruebas. Con el modelo U-net con más capas convolucionales y filtros, junto con Focal Loss e IoU, obtuvimos una exactitud del 0.99 y un IoU de 0.96. Al combinar el enfoque de dos etapas (CNN-Unet), en las pruebas obtuvimos una exactitud del 0.95 y un IoU del 0.90. Con estas perspectivas del trabajo se demuestra el potencial de las técnicas de ML y datos de respuesta espectral para detectar y estimar la concentración de vertidos de petróleo con imágenes ópticas. Mientras que para la parte de SAR se demuestra que nuestro enfoque con aprendizaje profundo en imágenes Sentinel-1 SAR es una prometedora alternativa para monitorear derrames de petróleo y apoyar la toma de decisiones. Y en conjunto nuestra metodología puede contribuir a un mecanismo efectivo de detección y seguimiento de estos desastres."

"Marine oil spills are a global problem, causing ecosystem damage and economic losses. Therefore, it is crucial to have a mechanism to improve decision making in the face of these disasters. Currently, the availability of remote sensing data and the increase in computational power, which allows the implementation of artificial intelligence (AI) techniques, can help in land monitoring and disaster prevention. In this work, these tools are used to generate a mechanism capable of classifying and segmenting oil spills, as well as extracting their area. Two schemes have been developed, one for passive sensors and the other for active sensors. For the passive sensors, a method has been developed to classify oil spills and estimate their concentration using the spectral response of surfaces and machine learning (ML) techniques on Landsat images. For the active part, we propose a two-step mechanism using deep learning on Sentinel-1 imagery to detect and segment oil spills. We generate a dataset of images from different regions of the world and train convolutional neural networks (CNNs) for classification. For segmentation, we experimented with models such as logistic, multilayer perceptron (MLP), and U-net, using loss metrics and functions such as focal loss and Intersection over Union (IoU). Results for passive sensors in the classification task, the K-Nearest Neighbor (KNN) model gave the best approximations for oil detection using the blue (0.453-0.520 µm), NIR (0.790-0.891 µm), SWIR1 (1.557- 1.717 µm), and SWIR2 (1.960-2.162 µm) bands for images from the 2010 DeepWater Horizon oil spill in the Gulf of Mexico. For the concentration model, the mean absolute error (MAE) was 1.41 and 3.34 for training and validation, respectively. When evaluating the concentration estimation model on images where oil was detected, the estimate obtained was between 40 and 60%. For active sensors, the CNN model achieved an accuracy of 0.99 in training, 0.98 in validation, and 0.96 in testing. Using the U-net model with more convolutional layers and filters, together with Focal Loss and IoU, we obtained an accuracy of 0.99 and an IoU of 0.96. When combining the two-stage approach (CNN-U-net), in tests we obtained an accuracy of 0.95 and an IoU of 0.90. With these perspectives of the work, the potential of ML techniques and spectral response data to detect and estimate the concentration of oil spills with optical imaging is demonstrated. And for the SAR part, it is shown that our deep learning approach on Sentinel-1 SAR images is a promising alternative for oil spill monitoring and decision support. Our methodology can contribute to an effective mechanism for detecting and monitoring natural disasters."