Speaker
Description
Este trabalho apresenta um pipeline não supervisionado para análise das características de propagação de descargas nuvem-solo positivas (+CG) e negativas (-CG), registradas por câmeras de alta velocidade. A partir de 25 vídeos (8 positivos e 17 negativos, exportados em TIFF de 16 bits), o modelo EfficientNet-B3 foi utilizado como extrator genérico de características visuais, sem ajuste fino para o domínio de raios. Cada sequência foi representada por um vetor de agregação temporal de 1536 dimensões, combinando média, desvio-padrão e taxa de variação das features ao longo do tempo. Após redução de dimensionalidade via PCA e UMAP, o algoritmo K-Means foi aplicado para agrupamento, avaliado pelos índices de Silhueta e Rand Ajustado (ARI). Para k=2, o método atingiu Silhueta de 0,645 e ARI de 0,691 em relação aos rótulos de polaridade atribuídos manualmente, sem que qualquer informação de polaridade fosse fornecida durante o agrupamento. A análise dos perfis temporais de intensidade visual e de taxa de variação entre quadros revelou padrões fisicamente interpretáveis e consistentes com a morfologia conhecida de líderes positivos (canal único, poucas ramificações) e negativos (propagação escalonada, altamente ramificada). Os resultados demonstram que representações visuais genéricas, extraídas sem treinamento específico no domínio, são suficientes para discriminar a polaridade de descargas atmosféricas de forma não supervisionada, abrindo caminho para extensões futuras com redes treinadas especificamente para capturar características morfológicas como densidade de ramificação e geometria do canal.