Spatio-Temporal Wildfire Spread Prediction in Canada using a Video Swin-Hybrid-U-Net and Satellite Imagery

Resumen Técnico: Predicción Espacio-Temporal de la Propagación de Incendios Forestales en Canadá mediante una Video Swin-Hybrid-U-Net

Planteamiento del Problema
Los regímenes de incendios forestales en Canadá están aumentando en frecuencia e intensidad, lo que representa una grave amenaza para los ecosistemas y la infraestructura. Si bien los simuladores tradicionales basados en la física (por ejemplo, FARSITE) ofrecen interpretabilidad, a menudo requieren una extensa sintonización de parámetros y son computacionalmente intensivos. Por el contrario, los enfoques de aprendizaje profundo existentes suelen carecer de escalabilidad o no logran capturar eficazmente la dinámica temporal de la propagación del fuego, particularmente dentro del contexto ambiental único de los bosques boreales de Canadá. El desafío central abordado es la necesidad de un marco de aprendizaje profundo escalable capaz de modelar dependencias espacio-temporales complejas en datos ambientales para pronosticar con precisión la incidencia de incendios al día siguiente.

Metodología
El estudio propone un nuevo marco de aprendizaje profundo que plantea la predicción de la propagación de incendios forestales como una tarea de segmentación semántica de video a imagen. El modelo ingiere una secuencia de tres días de datos ambientales multicanal para predecir una máscara de fuego binaria para el día siguiente.

• Pipeline de Datos: El conjunto de datos se ha seleccionado exclusivamente de repositorios públicos a través de Google Earth Engine (GEE), cubriendo los principales eventos de incendios forestales en Canadá de 2014 a 2023. Los datos se procesan a una resolución espacial de 500 m (224x224 píxeles).

  • Variables Dinámicas (Variables en el tiempo): Incluye Máscaras de Fuego (MODIS), Datos Meteorológicos (ECMWF/ERA5-LAND: temperatura, precipitación, componentes del viento muestreados en intervalos de 6 horas) y Humedad del Suelo (GLDAS). Estos proporcionan una alta resolución temporal para capturar patrones diurnos.
  • Variables Estáticas (Variables invariantes en el tiempo): Incluye Topografía (Elevación, Pendiente, Aspecto de NRCan/CDEM), Vegetación (NDVI de NOAA/VIIRS) y Densidad de Población (CIESIN/GPW). Estas se replican a lo largo de la secuencia de tres días de entrada.
  • Tensor de Entrada: Los datos se estructuran como un tensor 3D $(T, C, H, W)$ donde $T=3$ días, $C=23$ canales (18 dinámicos + 5 estáticos) y $H, W=224$.

• Arquitectura (Video Swin-Hybrid-U-Net):

  • Codificador Espacio-Temporal: Utiliza una red base (backbone) de 3D Swin Transformer. A diferencia de los modelos que aplanan el tiempo en canales, este codificador procesa la entrada como un volumen 3D unificado. Emplea atención de ventana 3D desplazada (SW-MSA) para modelar eficientemente las relaciones a través del espacio y el tiempo simultáneamente, capturando dependencias de largo alcance y la evolución dinámica.
  • Decodificador Convolucional: Un decodificador de estilo U-Net utiliza convoluciones transpuestas 3D para reescalar las características a la resolución original. Integra conexiones de salto (skip connections) desde el codificador para recuperar detalles espaciales finos. El tensor de características 3D final se agrega a lo largo de la dimensión temporal mediante promediado para producir una máscara de segmentación 2D.
  • Función de Pérdida: Para abordar el severo desequilibrio de clases (píxeles de fuego frente a píxeles de no fuego), el modelo se entrena utilizando una suma ponderada de la Entropía Cruzada Binaria (BCE) y la Pérdida de Dice ($\lambda_1 = \lambda_2 = 0.5$).

• Entrenamiento: El modelo fue entrenado de extremo a extremo utilizando el optimizador AdamW con un esquema de Reinicio de Recalentamiento de Recocido de Coseno (Cosine Annealing Warm Restarts). Los experimentos se repitieron cinco veces con diferentes semillas aleatorias para asegurar la robustez.

Contribuciones Clave

1. Arquitectura Novel con Atención Espacio-Temporal: El artículo introduce una arquitectura Video Swin-U-Net que trata la entrada como un volumen de video 3D. Este diseño se aparta de los modelos de convolución 2D o de atención puramente espacial, permitiendo el aprendizaje explícito de dependencias complejas de largo alcance a través del espacio y el tiempo.
2. Aprendizaje Profundo de Características Temporales: El modelo aprovecha una secuencia de tres días con alta granularidad temporal (variables muestreadas cuatro veces al día). Esto permite la captura de patrones diurnos transitorios en variables meteorológicas, los cuales son impulsores críticos del comportamiento del fuego pero que a menudo se pasan por alto en modelos que utilizan entradas diarias.
3. Marco de Acceso Público: Todo el pipeline depende de datos de código abierto de GEE, lo que garantiza que la metodología sea transparente, reproducible y escalable para una herramienta operativa en todo Canadá, abordando la barrera de los datos propietarios en los sistemas existentes.

Resultados
La propuesta Hybrid Video Swin-U-Net fue evaluada contra tres líneas base: una U-Net 2D estándar, una Swin U-Net 2D y una pura Video Swin U-Net (que utiliza bloques 3D tanto en el codificador como en el decodificador).

• Desempeño Cuantitativo: El modelo Híbrido logró un desempeño superior en todas las métricas en el conjunto de prueba reservado:
  • F1-Score: 0.6550 (frente al 0.6003 de la siguiente mejor Video Swin U-Net y 0.4528 de la 2D Swin U-Net).
  • Precisión: 0.6328.
  • Recall (Exhaustividad): 0.6791.
• Análisis Topográfico: El desempeño varió con el terreno. El modelo mostró una fuerte correlación positiva entre la pendiente del terreno y la precisión (el F1-Score aumentó de ~0.62 en terrenos llanos a ~0.72 en terrenos empinados). La elevación mostró una relación no lineal, con mayor precisión en los extremos bajos y altos, pero con una caída en elevaciones medias.
• Análisis de Humedad del Suelo: El modelo demostró robustez ante diversas condiciones de humedad del suelo, manteniendo F1-Scores consistentes (0.64–0.68) a través de diferentes contenedores de humedad para los tres días de entrada, lo que indica un aprendizaje efectivo de la dinámica de disponibilidad de combustible.
• Análisis Cualitativo: La inspección visual reveló la capacidad del modelo para capturar formas y bordes de fuego complejos, produciendo contornos más suaves en comparación con las máscaras de la verdad de campo (ground truth) que presentan bordes dentados.

Significancia y Reivindicaciones
El artículo sostiene que el uso explícito de mecanismos de atención espacio-temporal es primordial para la predicción ambiental dinámica. Al procesar el tiempo como una dimensión distinta en lugar de un canal aplanado, el modelo supera las limitaciones de los enfoques 2D para distinguir la secuenciación temporal de las características espaciales. El estudio demuestra que las arquitecturas modernas de visión por computadora, específicamente aquellas adaptadas para datos de video, pueden avanzar significamente en la predicción de peligros ambientales como los incendios forestales.

Los autores posicionan este trabajo como un paso adelante en la aplicación de técnicas de vanguardia a la dinámica de los incendios forestales en Canadá, ofreciendo un marco transparente y reproducible que captura la interacción única entre el clima, la topografía y el combustible. Los resultados sugieren que tales modelos pueden proporcionar pronósticos espaciales precisos esenciales para la asignación de recursos y la planificación de evacuaciones. El artículo concluye modestamente, señalando limitaciones como la dependencia de datos satelitales ópticos (susceptibles a la cobertura de nubes) y la redundancia de replicar canales estáticos, sugiriendo direcciones futuras como horizontes de predicción más largos y una mejor integración de datos estáticos.