Generating Satellite Imagery Data for Wildfire Detection through Mask-Conditioned Generative AI

A continuación se presenta un resumen técnico detallado del artículo "Generating Satellite Imagery Data for Wildfire Detection through Mask-Conditioned Generative AI" en español, estructurado según los puntos solicitados.

1. Planteamiento del Problema

La detección de incendios forestales basada en aprendizaje profundo (DL) enfrenta un cuello de botella fundamental: la escasez de imágenes satelitales etiquetadas de alta calidad. Los eventos de incendios son geográficamente dispersos, estacionalmente concentrados y espectralmente variables. Aunque existen grandes volúmenes de imágenes satelitales públicas, la creación de conjuntos de datos etiquetados requiere procesos intensivos en mano de obra para alinear adquisiciones pre y post-incendio y generar máscaras binarias de quemaduras.

Las técnicas de aumento de datos tradicionales (volteos, recortes, cambios de color) tienen un impacto limitado en la teledetección porque no alteran el contenido semántico ni la estructura espacial crítica. Por lo tanto, se requiere un enfoque generativo capaz de sintetizar nuevas muestras de entrenamiento semánticamente plausibles que expandan el conjunto de datos sin necesidad de anotación manual adicional.

2. Metodología

El estudio investiga si un modelo fundacional de difusión para Observación de la Tierra (EO), llamado EarthSynth, puede sintetizar imágenes RGB realistas de Sentinel-2 post-incendio, condicionado a máscaras de quemadura existentes, sin reentrenamiento específico para la tarea.

Configuración Experimental

Se diseñaron seis configuraciones experimentales controladas (E1–E6) que varían tres factores:

1. Arquitectura de la tubería (Pipeline):
   • Generación completa (Mask-only): El modelo genera toda la imagen desde cero basándose solo en la máscara y el texto.
   • Inpainting: El modelo utiliza la imagen "antes del incendio" como contexto, regenerando solo la región enmascarada (la zona quemada) mientras preserva el paisaje circundante intacto.
2. Estrategia de Prompt (Instrucción):
   • Prompts manuales (P1-P3): Desde descripciones mínimas hasta prompts estructurados y contextualizados con estadísticas de color.
   • Prompt generado por VLM: Uso de un modelo de Lenguaje Visual (Qwen2-VL) para generar descripciones textuales basadas en ejemplos visuales de las imágenes pre/post-incendio.
3. Post-procesamiento:
   • Aplicación de una etapa de ajuste de color regional para alinear las estadísticas RGB generadas con las observadas en imágenes reales post-incendio.

Métricas de Evaluación

Se evaluaron 10 muestras de prueba estratificadas utilizando cuatro métricas complementarias:

• Burn IoU (Intersección sobre Unión de Quemadura): Evalúa si los píxeles más oscuros (similares a quemaduras) en la imagen generada se alinean con la máscara de quemadura real.
• Distancia de Color en la Región Quemada ($\Delta C_{burn}$): Distancia euclidiana entre los vectores RGB medios de la región quemada generada y la real.
• Contraste de Oscuridad (Darkness Contrast): Mide la separación de luminancia entre la zona intacta y la quemada (sin necesidad de referencia real).
• Plausibilidad Espectral: Verifica si el color medio de la zona quemada generada cae dentro de la distribución estadística del conjunto de datos real.

3. Contribuciones Clave

• Marco de Aumento Generativo: Propuesta de un marco que utiliza máscaras de quemadura existentes como entradas de condicionamiento espacial para sintetizar imágenes post-incendio.
• Adaptación sin Reentrenamiento: Demostración de la adaptación del modelo EarthSynth al dominio de incendios forestales sin fine-tuning específico, aprovechando su capacidad de generación condicional.
• Análisis Comparativo Controlado: Evaluación sistemática de seis configuraciones que aíslan el impacto de la arquitectura (inpainting vs. generación completa), la estrategia de prompt y el ajuste de color.
• Evaluación Integral: Combinación de métricas cuantitativas y evaluación cualitativa visual a través de diferentes estratos de proporción de quemadura.

4. Resultados Principales

Los resultados demuestran que la tubería basada en inpainting supera consistentemente a la generación completa en todas las métricas:

• Arquitectura: El inpainting (E2) logró el mejor Burn IoU (0.456) y el mayor Contraste de Oscuridad (20.44), indicando una mejor alineación espacial y una apariencia de quemadura más realista. La generación completa (E1) a menudo falló en preservar la textura del bosque circundante y, en algunos casos, generó zonas quemadas más brillantes que las intactas (contraste negativo).
• Estrategia de Prompt:
  • En la generación completa, los prompts más detallados (P3) mejoraron significativamente los resultados respecto a los mínimos (P1).
  • En el inpainting, el prompt estructurado (P2) ofreció la mejor alineación espacial, mientras que el prompt contextualizado con datos (P3) logró la menor distancia de color.
  • Los prompts generados por VLM (E5) fueron competitivos con los manuales en el escenario de inpainting, aunque no superaron al mejor prompt manual.
• Ajuste de Color: La aplicación de ajuste de color (E3/E4) redujo drásticamente la distancia de color ($\Delta C_{burn} \approx 63$), logrando la mayor fidelidad espectral. Sin embargo, esto tuvo un costo: redujo el contraste de oscuridad y la saliencia de la quemadura, "aplanando" visualmente la transición entre zonas quemadas e intactas.
• Calidad Visual: Las imágenes generadas mediante inpainting preservaron mejor la coherencia del paisaje circundante. La generación completa a menudo producía texturas de cobertura terrestre inconsistentes (no boscosas) o artefactos globales.

5. Significado e Implicaciones

Este trabajo establece las bases para integrar la generación de datos sintéticos en los pipelines de detección de incendios forestales. Los hallazgos sugieren que:

1. El contexto espacial es crucial: Proporcionar al modelo de difusión la imagen pre-incendio (mediante inpainting) es más efectivo que intentar generar la escena completa desde una máscara binaria, especialmente en dominios donde el modelo no ha sido entrenado específicamente.
2. Compensación (Trade-off) Espectral vs. Espacial: Existe una compensación entre la fidelidad del color (mejorada por el ajuste de color) y la saliencia/realismo estructural de la quemadura. Para el aumento de datos, la preservación del contexto espacial (inpainting) parece ser el factor más determinante para la calidad.
3. Viabilidad de VLMs: Los modelos de lenguaje visual pueden automatizar la ingeniería de prompts para tareas de teledetección, ofreciendo una alternativa escalable a la redacción manual.

El estudio concluye que, aunque la generación condicional basada en máscaras puede producir imágenes post-incendio con fidelidad parcial, la combinación de inpainting con contexto pre-incendio y prompts específicos es la estrategia más prometedora para generar datos de entrenamiento útiles que mejoren los modelos de detección downstream.