Harnessing Self-Supervised Deep Learning and Geostationary Remote Sensing for Advancing Wildfire and Associated Air Quality Monitoring: Improved Smoke and Fire Front Masking using GOES and TEMPO Radiance Data

Resumen Técnico: Aprovechamiento del Aprendizaje Profundo Autosupervisado y la Teledetección Geoestacionaria para el Monitoreo de Incendios Forestales y la Calidad del Aire

Planteamiento del Problema
Los incendios forestales en el oeste de los Estados Unidos han aumentado en frecuencia y severidad desde el año 2000, creando desafíos significativos para el monitoreo y la predicción de contaminantes atmosféricos inducidos por incendios. Un cuello de botella primario es la dificultad para distinguir las columnas de humo de incendios forestales de las nubes en las imágenes satelitales. Ambas presentan características similares, como alta reflectividad y opacidad, lo que lleva a que los algoritmos operativos clasifiquen erróneamente el humo denso como nubes con frecuencia. Esta clasificación errónea resulta en el filtrado de datos críticos de composición atmosférica (por ejemplo, NO2, aerosoles) en los productos derivados.

Si bien la misión Tropospheric Emissions: Monitoring of Pollution (TEMPO) ofrece un monitoreo horario sin precedentes de gases traza en toda América del Norte, su procesamiento de datos actual depende de umbrales de fracción de nube (por ejemplo, filtrar recuperaciones donde la fracción de nube > 0.2). En consecuencia, se descartan con frecuencia datos valiosos dentro de las columnas de humo. Además, las redes terrestiles existentes presentan vacíos espaciales, y los satélites de Órbita Terrestre Baja (LEO) como TROPOMI solo proporcionan instantáneas diarias, perdiendo las rápidas transformaciones químicas que ocurren en las primeras horas de las emisiones de un incendio forestal.

Metodología
Para abordar estos desafíos, los autores proponen un "Sistema de Mapeo de Incendios Forestales" utilizando un innovador marco de aprendizaje profundo autosupervisado llamado SIT-FUSE (Segmentación, Seguimiento de Instancias y Fusión de datos mediante imágenes de multi-sensores).

• Aprendizaje Autosupervisado: El sistema aprovecha el aprendizaje de representaciones autosupervisado para operar en dominios con conjuntos de datos etiquetados limitados o inexistentes. Emplea Redes de Creencia Profunda (DBN) de 2 a 3 capas, seleccionadas por su espacio de parámetros compacto (~2 millones de parámetros) y sus capacidades de representación demostradas en comparación con modelos más grandes.
• Clustering Jerárquico Profundo: El marco utiliza el Clustering Invariante de Información (IIC) dispuesto en una estructura de árbol jerárquico. Los cabezales de salida se entrenan de modo que los nodos hijos solo procesen muestras asignadas a los conjuntos de etiquetas de sus padres. Esto permite la segmentación de escenas en diversos niveles de especificidad sin requerir un etiquetado exhaustivo de cada píxel.
• Etiquetado con Experto en el Bucle (Expert-in-the-Loop): En lugar de requerir el 100% de los datos de entrenamiento etiquetados (como en el aprendizaje supervisado), los expertos en la materia etiquetan solo áreas de "alta certeza" de humo, fuego y fondos. Las áreas de frontera inciertas permanecen sin etiquetar. Este enfoque reduce el trabajo de preanálisis mientras mantiene el rigor científico.
• Fusión de Multi-sensores: El sistema procesa datos de GOES-18 (geoestacionario, alta resolución temporal) y TEMPO (monitoreo de gases traza). Estos canales separados están diseñados para ser agregados con el fin de crear mapas de progresión sub-horaria.
• Métricas de Validación: Debido a la falta de una verdad de terreno directa y a la incertidumbre inherente en los casos de frontera (por ejemplo, frentes de fuego), las métricas tradicionales de precisión/exhaustividad (precision/recall) se consideran demasiado estrictas. En su lugar, los autores utilizan el Índice de Similitud Estructural (SSIM) para evaluar el desempeño frente a los productos operativos y los subconjuntos etiquetados a mano de alta certeza.

Contribuciones Clave

1. Discriminación de Humo/Nube: El desarrollo de un método para distinguir con éxito las columnas de humo de las nubes utilizando datos de radiancia de GOES-18 y TEMPO, abordando una brecha crítica en los productos operativos actuales.
2. Restauración de Datos: La generación de máscaras de humo que permiten la restauración de datos atmosféricos faltantes (como las columnas verticales troposféricas de NO2) en columnas de humo de incendios forestales, que de otro modo serían filtradas como nubes.
3. Marco de Aprendizaje Profundo Eficiente: La demostración de un sistema de aprendizaje profundo jerárquico y autosupervisado (SIT-FUSE) que logra una segmentación robusta con significativamente menos muestras etiquetadas que los enfoques supervisados o semi-supervisados tradicionales.
4. Acuerdo Multi-modal: La creación de máscaras de humo y frentes de fuego de diferentes modalidades de detección (GOES y TEMPO) que muestran una fuerte concordancia, permitiendo la fusión de flujos de datos para un monitoreo más granular.

Resultados
El sistema fue probado utilizando el incendio de Park en California el 26 de julio de 2024, como estudio de caso.

• Validación Visual: El sistema generó con éxito máscaras de humo (azul) y máscores de frentes de fuego (rojo) que se alinean con la evidencia visual en la imaginería RGB de GOES-18, identificando efectivamente la columna de humo que anteriormente causaba el filtrado de datos en los productos de NO2 de TEMPO.
• Desempeño Cuantitativo: En un conjunto de validación de más de 7 millones de píxeles de cinco días distintos no vistos durante el entrenamiento:
  • Comparado con los productos operativos de VIIRS y GOES (en casos donde dichos productos funcionaron bien), el sistema logró un SSIM de 0.86 para el humo y 0.71 para el fuego.
  • Comparado contra los píxeles de alta certeza etiquetados a mano, el sistema logró un SSIM de 0.83 para el humo y 0.70 para el fuego.
• Mejora Operativa: Los resultados demuestran una mejora significativa sobre los productos operativos existentes, específicamente en escenarios donde el humo denso era clasificado erróneamente como nubes, permitiendo así la recuperación de datos de composición atmosférica en áreas previamente excluidas.

Significancia y Reivindicaciones
El artículo sostiene que este trabajo representa un paso hacia la transformación de la gestión de incendios forestales y la calidad del aire en el oeste de EE. UU., aprovechando las capacidades de datos horarios de TEMPO y los avances en el aprendizaje profundo autosupervisado.

• Respuesta ante Desastres: Los productos se posicionan para mejorar la respuesta ante desastres al permitir que agencias como FEMA emitan alertas de incendios forestales y advertencias de calidad del aire oportunas y precisas, protegiendo potencialmente vidas y propiedades en comunidades vulnerables.
• Integración de Datos: Las máscaras y mapas de progresión generados están diseñados para ser integrados en Gemelos Digitales de Sistemas Terrestres y plataformas de modelado, como el Fire Alarm y Pyrecast del Laboratorio de Propulsión a Reacción (JPL).
• Utilidad Futura: Los autores señalan que estos conjuntos de datos granulares pueden ser aprovechados para el pronóstico de corto plazo de incendios y humo, así como para evaluaciones de impacto y evaluaciones de riesgo futuras respecto al fuego, daños por humo y calidad del aire.
• Exploración Científica: Los subconjuntos de segmentación intermedia permiten a los expertos en la materia co-explorar parametrizaciones y características correlacionadas con subclases específicas, ofreciendo un dominio de análisis más rico para la investigación futura.

Los autores mantienen una postura modesta, reconociendo que, si bien el sistema mejora los productos operativos, opera en un dominio sin una verdad de terreno directa, y que se requiere más trabajo para optimizar la complejidad del codificador para la producción operativa global.