Resumen Técnico: Aprendizaje Profundo Consciente de la Incertidumbre para la Predicción del Peligro de Incendios Forestales

1. Planteamiento del Problema

Los incendios forestales representan amenazas graves para la vida humana, la infraestructura y los ecosistemas, con su frecuencia e intensidad amplificadas por el cambio climático. Si bien el Aprendizaje Profundo (DL, por sus siglas en inglés) ha demostrado ser prometedor en la predicción del peligro de incendios forestales, su adopción en la gestión de desastres se ve obstaculizada por preocupaciones relativas a la fiabilidad, la transparencia y la calibración de los resultados de los modelos. Los modelos de DL estándar suelen producir predicciones excesivamente confiadas y carecen de mecanismos para cuantificar la incertidumbre.

La predicción de incendios forestales es inherentemente incierta debido a:

• Estocasticidad: La ignición de un fuego es un proceso estocástico donde condiciones ambientales similares pueden o no conducir a una ignición.
• Escasez de Datos: Los eventos de incendio son raros (por ejemplo, una relación fuego-no fuego de $5 \times 10^{-7}$ en el conjunto de datos de estudio), lo que genera un desequilibrio de clases y cambios distributivos entre el entrenamiento y los escenarios del mundo real.
• Motores Complejos: La tarea implica modelar interacciones complejas y no estacionarias entre variables meteorológicas, de vegetación, topográficas y antropogénicas.

El problema central abordado es la falta de cuantificación de la incertidumbre en los marcos de DL existentes para el peligro de incendios forestales, lo que limita su confiabilidad para la toma de decisiones operativas.

2. Metodología

Los autores proponen un marco de DL consciente de la incertidumbre que modela conjuntamente dos tipos distintos de incertidumbre:

1. Incertidumbre Epistémica (del Modelo): Surge de la falta de conocimiento del modelo, reducible con más datos o mejores modelos.
2. Incertidumbre Aleatoria (de los Datos): Surge del ruido inherente en los datos (por ejemplo, ruido de etiquetas, ignición estocástica), irreducible incluso con más datos.

Formulación de Datos y Tarea

• Conjunto de Datos: El estudio utiliza Mesogeos, un cubo de datos de 1 km $\times$ 1 km que cubre la cuenca del Mediterráneo (2006–2022).
• Entradas: Una serie temporal de 55 días de variables dinámicas (índices de vegetación, temperatura de la superficie terrestre, datos meteorológicos, etc.) y características estáticas (elevación, cobertura del suelo).
• Tarea: Clasificación binaria del peligro de incendio forestal para un día objetivo $t$. Las muestras positivas son puntos de ignición; las muestras negativas se extraen de ubicaciones a más de 62 km de distancia de las igniciones.
• Horizontes de Pronóstico: El estudio evalúa el pronóstico para el día siguiente ($n=1$) y extiende el análisis hasta 10 días de antelación ($n=10$).

Arquitectura del Modelo y Estimación de la Incertidumbre

El marco emplea redes de Memoria a Largo Corto Plazo (LSTM) como arquitectura base. La incertidumbre se estima mediante tres enfoques principales integrados en un marco unificado:

• Estimación de la Incertidumbre Epistémica:
  • Redes Neuronales Bayesianas (BNNs): Específicamente Bayes by Backpropagation (BBB), que coloca distribuciones de probabilidad sobre los pesos utilizando Inferencia Variacional (VI).
  • Ensembles Profundos (DEs): Entrenamiento de múltiples redes deterministas con diferentes inicializaciones aleatorias.
  • MC Dropout: Interpretación del dropout como una inferencia Bayesiana aproximada durante la inferencia.
• Estimación de la Incertidumbre Aleatoria:
  • Se aplica un modelo de incertidumbre heterocedástica (Collier et al., 2020). Este coloca una distribución Gaussiana sobre los logits del clasificador softmax, permitiendo que el modelo prediga el ruido dependiente de la entrada ($\sigma_c(x)$) junto con el logit medio ($f_c(x)$).
• Incertidumbre Total (Modelado Conjunto):
  • El marco integra el módulo aleatorio en la formulación Bayesiana.
  • Muestreo de Doble Monte Carlo (MC): Para aproximar la distribución predictiva, el modelo muestrea $N$ conjuntos de pesos (para la epistémica) y, para cada conjunto de pesos, muestrea $S$ vectores de ruido (para la aleatoria).
  • Descomposición: La incertidumbre total se descompone en Incertidumbre Epistémica (varianza de las predicciones medias a través de las muestras de pesos) e Incertidumbre Aleatoria (promedio de la varianza a través de las muestras de ruido dentro de cada conjunto de pesos).

3. Contribuciones Clave

1. Marco Unificado: Desarrollo de un marco de DL que captura conjuntamente la incertidumbre epistémica y aleatoria para la predicción de corto plazo del peligro de incendios forestales, demostrando mejoras en la capacidad predictiva y la calibración respecto a los baselines deterministas.
2. Análisis Temporal: Investigación de la evolución de la incertidumbre a través de los horizontes de pronóstico de 1 a 10 días, revelando que la incertidumbre aleatoria aumenta con el tiempo (reflejando la estocasticidad ambiental), mientras que la incertidumbre epistémica permanece estable.
3. Análisis de Desacoplamiento: Demostración de que, si bien las incertidumbres epistémica y aleatoria están altamente correlacionadas en casos de baja incertidumbre (fáciles), proporcionan información complementaria en casos de alta incertidumbre (desafiantes), particularmente para identificar escenarios ambiguos.
4. Utilidad Operativa: Demostración práctica de cómo las estimaciones de incertidumbre pueden apoyar la toma de decisiones mediante:
   • Generación de mapas de peligro con capas de incertidumbre acompañantes.
   • Establecimiento de umbrales de incertidumbre para rechazar predicciones de baja confianza (Prueba de Descarte).
   • Mejora de la calibración del modelo para mitigar la sobreconfianza.

4. Resultados

Rendimiento Predictivo y Calibración

• Métricas: El modelo con mejor desempeño (BBB con incertidumbre aleatoria) mejoró el F1 Score en un 2.3% y redujo el Error de Calibración Esperado (ECE) en un 2.1% en comparación con un baseline determinista.
• Recall vs. Precision: El modelo BBB con incertidumbre aleatoria aumentó el Recall en un 7.9% (mejor detección de eventos de incendio) a costa de una precisión ligeramente menor, un compromiso considerado aceptable para aplicaciones de alto riesgo donde omitir un incendio es más costoso que una falsa alarma.
• Calibración: Los modelos conscientes de la incertidumbre, particularmente BBB, mostraron una calibración significativamente mejor que los modelos deterministas, con diagramas de fiabilidad que se alinean estrechamente con la diagonal. Esto se logró sin técnicas de calibración post-hoc.

Fiabilidad de las Estimaciones de Incertidumbre

• Prueba de Descarte: A medida que se descartaban las predicciones más inciertas, la pérdida promedio disminuía para los modelos que capturaban la incertidumbre epistémica. El modelo BBB mostró una mejora del 7.5% en el F1 score tras descartar el 20% de las muestras más inciertas.
• Densidad de Incertidumbre: Los modelos que capturan la incertidumbre epistémica (BBB, DEs) separaron claramente las muestras clasificadas correctamente (baja incertidumbre) de las mal clasificadas (alta incertidumbre). En contraste, los modelos solo aleatorios y MC Dropout no lograron distinguir los errores en la clase positiva de manera efectiva.
• Correlación: Aunque las incertidumbres aleatoria y epistémica están altamente correlacionadas en el conjunto de datos completo (Spearman $\rho \approx 0.91$ para BBB), esta correlación disminuyó significativamente (volviéndose negativa para algunos modelos) al analizar solo las muestras más inciertas (el 25% superior), confirmando su naturaleza complementaria en casos difíciles.

Evolución Temporal (1–10 Días)

• Incertidumbre Aleatoria: Aumentó sistemáticamente con horizontes de pronóstico más largos, reflejando la acumulación de estocasticidad en los inputs ambientales (por ejemplo, la variabilidad del clima).
• Incertidumbre Epistémica: Permaneció estable en todos los horizontes, sugiriendo que los modelos fueron suficientemente entrenados para generalizar dentro de sus respectivas ventanas temporales.
• Rendimiento: El AUPRC declinó solo modestamente (8%) de los pronósticos de 1 día a los de 10 días, indicando que se mantiene la capacidad predictiva.

5. Significado y Reivindicaciones

El artículo sostiene que la integración de DL consciente de la incertidumbre en la predicción de incendios forestales mejora significativamente la exactitud, fiabilidad y confiabilidad de los sistemas predictivos.

• Soporte de Decisiones: El estudio argumenta que las estimaciones de incertidumbre no son meramente teóricas sino herramientas prácticas. Permiten a los operadores:
  • Identificar regiones donde el modelo es confiable (alto peligro, baja incertidumbre) para intervención inmediata.
  • Señalar regiones donde el modelo es incierto (alto peligro, alta incertidumbre) para mayor investigación o revisión experta.
  • Rechazar predicciones de baja confianza para evitar la asignación errónea de recursos.
• Complementariedad: El trabajo subraya que modelar ambos tipos de incertidumbre es crucial. Si bien pueden ser redundantes en casos "fáciles", su modelado conjunto proporciona información esencial en escenarios complejos y de alto riesgo donde coexisten el ruido de los datos y las limitaciones del modelo.
• Aplicabilidad Amplia: Los autores sugieren que los desafíos abordados (escasez de datos, cambios distributivos, necesidad de calibración) son comunes en los dominios de peligros naturales, lo que implica el potencial de utilidad del marco más allá de los incendios forestales.

El estudio concluye que el DL consciente de la incertidumbre, particularmente el uso de métodos Bayesianos como BBB combinado con el modelado de ruido heterocedástico, representa un paso significativo hacia el desarrollo de sistemas de IA confiables para aplicaciones ambientales de alto impacto.