Detecção de poluição plástica por meio de modelos de transferência radiativa e aprendizado de máquina

Abstract

A poluição por plásticos é considerada uma ameaça global para os ecossistemas marinhos e para a saúde humana. As técnicas de sensoriamento remoto são capazes de mapear grandes áreas em intervalos curtos tempo, o que torna viável a análise da poluição plástica em ambientes marinhos. Este estudo teve por objetivo principal identificar a presença de plásticos em zonas costeiras através de técnicas de sensoriamento remoto. Para isto, foram criadas simulações de ambientes aquáticos poluídos no modelo Discrete Anisotropic Radiative Transfer (DART). O sensor MultiSpectral Instrument (MSI), a bordo dos satélites Sentinel-2A/2B, foi escolhido para este estudo. Através da observação da assinatura espectral dos plásticos pelas imagens simuladas, assim como a análise da estrutura molecular dos polímeros, foi desenvolvido o Plastic-Water Differentiation Index (PWDI). Este índice radiométrico demonstrou separabilidade entre plásticos e água nas imagens simuladas. Para testar a eficácia do PWDI e compará-lo a outros índices foram empregados o algoritmo de clusterização K-means e o algoritmo de aprendizado de máquina Random Forest (RF). Um conjunto de imagens MSI/Sentinel-2 com presença confirmada de plásticos foi escolhido para aplicação dos algoritmos. A aplicação do K-means, realizada com um valor de k=4, resultou em um cluster composto por polipropileno nas imagens simuladas. O algoritmo foi capaz de discernir entre água com matéria flutuante e água pura ao incorporar o PWDI no método de clusterização. De acordo com os resultados obtidos pelo algoritmo RF, a integração de índices radiométricos em conjunto com bandas espectrais melhorou a detecção dos plásticos nas imagens MSI/Sentinel-2. O PWDI apresentou o maior impacto nas decisões do algoritmo de acordo com o cálculo de importância de features.

Plastic pollution is considered a global threat to marine ecosystems and human health. Remote sensing techniques are capable of mapping large areas in short time intervals, making it feasible to analyze plastic pollution in marine environments. This study aimed to identify the presence of plastics in coastal zones through remote sensing techniques. For this purpose, simulations of polluted aquatic environments were created using the Discrete Anisotropic Radiative Transfer (DART) model. The MultiSpectral Instrument (MSI), aboard Sentinel-2A/2B satellites, was chosen for this study. By observing the spectral signature of plastics in simulated images, as well as analyzing the molecular structure of polymers, the Plastic-Water Differentiation Index (PWDI) was developed. This radiometric index demonstrated separability between plastics and water in simulated images. To test the efficacy of PWDI and compare it to other indices, the K-means clustering algorithm and the Random Forest (RF) machine learning algorithm were employed. A set of MSI/Sentinel-2 images with confirmed presence of plastics was chosen for algorithm application. The application of K-means, performed with a value of k=4, resulted in a cluster composed of polypropylene in the simulated images. The algorithm was able to discern between water with floating matter and pure water by incorporating PWDI into the clustering method. According to the results obtained by the RF algorithm, the integration of radiometric indices together with spectral bands improved plastic detection in MSI/Sentinel-2 images. PWDI showed the greatest impact on algorithm decisions according to feature importance calculations.