Magnifying change: Rapid burn scar mapping with multi-resolution, multi-source satellite imagery

Resumen Técnico: Magnificando el Cambio: Mapeo Rápido de Cicatrices de Incendio con Imágenes Satelitales de Resolución y Fuente Múltiple

Formulación del Problema
El artículo aborda el desafío crítico de delimitar rápidamente las cicatrices de incendios forestales mediante imágenes satelitales. Aunque los modelos de aprendizaje profundo logran una alta precisión con datos de alta resolución (por ejemplo, Sentinel-2), su utilidad operativa se ve limitada por la compensación entre la resolución espacial y la frecuencia de revisita. Los satélites de alta resolución suelen tener tiempos de revisita de varios días, lo que retrasa la evaluación post-incendio. Por el contrario, los sensores de alta resolución temporal (por ejemplo, MODIS) ofrecen cobertura diaria pero con una resolución espacial gruesa (500 m), la cual es insuficiente para un mapeo detallado de perímetros, especialmente para incendios más pequeños.

Los autores definen un problema específico de "Mapeo de Áreas Quemadas" (BAM, por sus siglas en inglés) que es distinto de la detección de cambios genérica. A diferencia de la detección de cambios urbanos, que depende de bordes geométricos nítidos, las cicatrices de incendio exhiben cambios espectrales heterogéneos a través del espectro electromagnético (particularmente en las bandas de rojo, infrarrojo cercano e infrarrojo de onda corta) y una severidad variable. El objetivo central es producir un mapa binario de cicatriz de incendio de alta resolución (60 m) inmediatamente después de un evento de incendio ($t_e + 1$) utilizando:

1. Imágenes de Alta Resolución Espacial/Baja Resolución Temporal (HSLT) pre-incendio: Sentinel-2 ($I_{t1}$).
2. Imágenes de Baja Resolución Espacial/Alta Resolución Temporal (LSHT) post-incendio: MODIS ($I_{t2}$).
3. Imágenes LSHT pre-incendio: MODIS ($I_{t1}$) para facilitar la detección de cambios.

Esta formulación (Enfoque 3) pretende evitar la necesidad de imágenes de alta resolución bitemporales, que a menudo no están disponibles inmediatamente después de un desastre.

Metodología: BAM-MRCD
Los autores proponen BAM-MRCD (Burnt Area Mapping - Multi-Resolution Change Detection), una novedosa arquitectura de aprendizaje profundo que evita la propagación de errores común en los enfoques tradicionales de dos pasos (superresolución seguida de detección de cambios).

• Arquitectura: El modelo emplea una estrategia de procesamiento paralelo utilizando dos ramas distintas:
  1. Rama BAM-CD: Una arquitectura DeepResUnet siamesa (o pseudo-siamesa) que procesa imágenes de MODIS bitemporales ($I_{t1}$ e $I_{t2}$) para detectar cambios a la resolución nativa de 500 m.
  2. Rama UNet: Un modelo tipo UNet estándar que procesa la imagen de Sentinel-2 pre-incendio ($I_{t1}$) para extraer detalles espaciales de alta frecuencia.
• Fusión de Características: Las características de los codificadores de BAM-CD se concatenan y se pasan a través de un decodificador con mecanismos de atención de "compresión y excitación" (squeeze-and-excitation) para aislar las características de cambio relevantes. Estas características se fusionan luego con las características de alta resolución de la rama UNet y se pasan a un decodificador final para la predicción de 60 m.
• Supervisión Profunda: El modelo utiliza una función de pérdida compuesta. Además de la pérdida de alta resolución final, se aplica una pérdida auxiliar de baja resolución a la salida de la rama BAM-CD. Esto guía a la red para aprender la tarea de detección de cambios a la escala de MODIS antes de refinar los detalles a la escala de Sentinel-2, destilando efectivamente el complejo problema multirresolución en subtareas más simples.
• Datos: El modelo se entrena con el conjunto de datos FLOGA, que contiene 326 eventos de incendios forestales en Grecia (2017–2021) con anotaciones manuales. El conjunto de datos incluye imágenes emparejadas de Sentinel-2 y MODIS. Los autores señalan el problema del desequilibrio de clases y emplean una estrategia de división espacial para evitar la fuga de datos (data leakage).

Contribuciones Clave

1. Definición del Problema: El artículo formula el mapeo de cicatrices de incendio como una tarea de detección de cambios multirresolución y de múltiples fuentes única, distinta de la detección de cambios estándar debido a la naturaleza espectral del fuego y la falta de límites geométricos estrictos.
2. Arquitectura Novedosa: BAM-MRCD es el primer modelo propuesto que explota entradas de pre-cambio de alta resolución y post-cambio de baja resolución de manera paralela sin depender de un módulo de superresolución dedicado, evitando así la introducción de artefactos.
3. Métrica de Evaluación: Reconociendo que las métricas estándar como el F1-score e IoU están saturadas por grandes solapamientos y no logran capturar el rendimiento en incendios de pequeña escala, los autores proponen una métrica de IoU multiescala. Esta métrica agrupa los eventos por tamaño (pequeños, medianos, grandes) para proporcionar una evaluación más granular de la robustez de un modelo a través de diversas escalas de incendio.

Resultados

• Rendimiento: BAM-MRCD supera a los modelos base del estado del arte (incluyendo FC-EF-Diff, SNUNet-CD, ChangeFormer, MM-Trans y DCILNet) en todas las métricas, particularmente en las categorías de IoU multiescala. Logra un F1-score del 92.06% y recupera con éxito 36 de los 53 eventos de prueba.
• Comparación con Modelos Base:
  • Los modelos convencionales de detección de cambios (Enfoque 1: MODIS-MODIS) tienen dificultades con incendios pequeños debido al límite de resolución.
  • Los modelos que intentan la entrada directa multirresolución (Enfoque 2: Sentinel-2/MODIS) a menudo fallan al alinear las características o sufren de inestabilidad.
  • Los enfoques basados en SR (por ejemplo, DCILNet) rinden por debajo de otros en eventos pequeños, probablemente debido a los artefactos generados por el módulo de superresolución.
• Análisis Cualitativo: El modelo demuestra una capacidad superior para delinear pequeñas cicatrices de incendio (< 90 ha) que otros modelos pasan por alto. También muestra una alta precisión al preservar bordes complejos y evitar falsos positivos en coberturas terrestres con firmas espectrales similares (por ejemplo, cultivos cosechados).
• Generalización: El modelo fue probado en eventos de incendios forestales no vistos en Grecia, Bulgaria y Portugal de la temporada de incendios de 2025. Proporcionó delineaciones días antes de la siguiente imagen disponible de Sentinel-2 libre de nubes, demostrando potencial operativo.

Limitaciones y Reivindicaciones
Los autores reconocen modestamente limitaciones específicas:

• Características Pequeñas/Lineales: El modelo tiene dificultades con cicatrices de incendio que son extremadamente estrechas u oblongas, donde el ancho de la característica es menor que el tamaño del píxel de MODIS, lo que conduce a una señal espectral insuficiente.
• Condiciones Atmosféricas: La dependencia de imágenes multiespectrales significa que el rendimiento se ve afectado por la cobertura de nubes o humo, aunque la alta frecuencia temporal de MODIS mitiga esto en comparación con los sensores de alta resolución.
• Retiro de Sensores: Los autores señalan el retiro planificado de los satélites MODIS (finales de 2026/principios de 2027), pero sugieren que el enfoque sigue siendo aplicable ya que puede adaptarse a la constelación VIIRS, que comparte características similares.

Significancia
El artículo afirma que BAM-MRCD representa un paso significativo hacia el mapeo de cicatrices de incendio al día siguiente en entornos operativos. Al aprovechar las fortalezas complementarias de MODIS (frecuencia temporal) y Sentinel-2 (detalle espacial), el método permite una evaluación de daños rápida y de alta resolución, crucial para la planificación inmediata de ayuda y la restauración de ecosistemas. El trabajo busca impulsar la investigación en este campo emergente al proporcionar un marco robusto para el manejo de datos de teledetección multirresolución en la gestión de desastres.