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

Sintesi Tecnica: Sfruttare il Deep Learning Auto-Supervisionato e il Telerilevamento Geostazionario per il Monitoraggio di Incendi e Qualità dell'Aria

Definizione del Problema
Gli incendi boschivi nell'ovest degli Stati Uniti sono aumentati in frequenza e intensità dal 2000, creando sfide significative per il monitoraggio e la previsione degli inquinanti atmosferici indotti dagli incendi. Un collo di bottiglia primario è la difficoltà nel distinguere le colonne di fumo degli incendi dalle nuvole nelle immagini satellitari. Entrambe presentano caratteristiche simili, come l'elevata riflettività e opacità, portando gli algoritmi operativi a classificare frequentemente il fumo denso come nuvole. Questa errata classificazione provoca l'esclusione di dati critici sulla composizione atmosferica (ad es., NO2, aerosol) nei prodotti a valle.

Sebbene la missione Tropospheric Emissions: Monitoring of Pollution (TEMPO) offra un monitoraggio senza precedenti ogni ora dei gas traccia in tutto il Nord America, la sua attuale elaborazione dei dati si basa su soglie di frazione nuvolosa (ad es., filtrando i recuperi in cui la frazione nuvolosa è > 0,2). Di conseguenza, preziosi dati all'interno delle colonne di fumo vengono spesso scartati. Inoltre, le attuali reti a terra presentano lacune spaziali e i satelliti in orbita terrestre bassa (LEO) come TROPOMI forniscono solo istantanee giornaliere, perdendo le rapide trasformazioni chimiche che avvengono nelle prime ore delle emissioni causate dagli incendi.

Metodologia
Per affrontare queste sfide, gli autori propongono un "Sistema di Mappatura degli Incendi" che utilizza un innovativo framework di deep learning auto-supervisionato chiamato SIT-FUSE (Segmentation, Instance Tracking, and data Fusion Using multi-SEnsor imagery).

• Apprendimento Auto-Supervisionato: Il sistema sfrutta l'apprendimento di rappresentazione auto-supervisionato per operare in domini con dataset etichettati limitati o assenti. Impiega Deep Belief Networks (DBN) con 2–3 strati, selezionate per il loro spazio di parametri compatto (~2 milioni di parametri) e le comprovate capacità rappresentative rispetto a modelli più grandi.
• Clustering Gerarchico Profondo: Il framework utilizza l'Information Invariant Clustering (IIC) disposto in una struttura ad albero gerarchica. Le teste di output sono addestrate in modo che i nodi figli elaborino solo i campioni assegnati ai set di etichette dei loro genitori. Ciò consente la segmentazione della scena a vari livelli di specificità senza richiedere l'etichettatura esaustiva di ogni pixel.
• Etichettatura Expert-in-the-Loop: Invece di richiedere il 100% di dati di addestramento etichettati (come nell'apprendimento supervisionato), gli esperti della materia etichettano solo le aree di "alta certezza" di fumo, fuoco e background. Le aree di confine incerte rimangono non etichettate. Questo approccio riduce il lavoro di pre-analisi mantenendo il rigore scientifico.
• Fusione Multi-Sensore: Il sistema elabora dati da GOES-18 (geostazionario, alta risoluzione temporale) e TEMPO (monitoraggio dei gas traccia). Queste pipeline separate sono progettate per essere aggregate al fine di creare mappe di progressione sub-orarie.
• Metriche di Validazione: A causa della mancanza di una verità a terra diretta e dell'incertezza intrinseca nei casi di confine (ad es., fronti di incendio), le metriche tradizionali di precisione/richiamo sono ritenute troppo severe. Inveio, gli autori utilizzano l'indice di similitudine strutturale (SSIM) per valutare le prestazioni rispetto ai prodotti operativi e ai sottoinsiemi etichettati a mano ad alta certezza.

Contributi Chiave

1. Discriminazione Fumo/Nuvola: Lo sviluppo di un metodo per distinguere con successo le colonne di fumo dalle nuvole utilizzando i dati di radianza di GOES-18 e TEMPO, affrontando una lacuna critica nei prodotti operativi attuali.
2. Restauro dei Dati: La generazione di maschere di fumo che consentono il ripristino di dati atmosferici mancanti (come le colonne verticali troposferiche di NO2) nelle colonne di fumo degli incendi, che altrimenti verrebbero filtrati come nuvole.
3. Framework di Deep Learning Efficiente: La dimostrazione di un sistema di deep learning gerarchico e auto-supervisionato (SIT-FUSE) che raggiunge una segmentazione robusta con significativamente meno campioni etichettati rispetto agli approcci tradizionali supervisionati o semi-supervisionati.
4. Accordo Multi-Modale: La creazione di maschere di fumo e fronti di incendio da diverse modalità di rilevamento (GOなし GOES e TEMPO) che mostrano un forte accordo, consentendo la fusione dei flussi di dati per un monitoraggio più granulare.

Risultati
Il sistema è stato testato utilizzando il Park Fire in California il 26 luglio 2024, come caso di studio.

• Validazione Visiva: Il sistema ha generato con successo maschere di fumo (blu) e maschere di fronte di incendio (rosso) che si allineano con l'evidenza visiva nelle immagini RGB di GOES-18, identificando efficacemente la colonna di fumo che precedentemente causava il filtraggio dei dati nei prodotti NO2 di TEMPO.
• Prestazioni Quantitative: Su un set di validazione di oltre 7 milioni di pixel provenienti da cinque giorni separati non visti durante l'addestramento:
  • Rispetto ai prodotti operativi VIIRS e GOES (nei casi in cui tali prodotti performavano bene), il sistema ha raggiunto un SSIM di 0,86 per il fumo e 0,71 per il fuoco.
  • Rispetto ai pixel etichettati a mano ad alta certezza, il sistema ha raggiunto un SSIM di 0,83 per il fumo e 0,70 per il fuoco.
• Miglioramento Operativo: I risultati dimostrano un miglioramento significativo rispetto ai prodotti operativi esistenti, specificamente in scenari in cui il fumo denso era classificato erroneamente come nuvole, consentendo così il recupero dei dati di composizione atmosferica in aree precedentemente escluse.

Significatività e Rivendicazioni
Il documento sostiene che questo lavoro rappresenti un passo verso la trasformazione della gestione degli incendi e della qualità dell'aria nell'ovest degli Stati Uniti, sfruttando le capacità di monitoraggio orario di TEMPO e i progressi nel deep learning auto-supervisionato.

• Risposta ai Disastri: I prodotti sono posizionati per migliorare la risposta ai disastri, consentendo ad agenzie come la FEMA di emettere avvisi tempestivi e accurati sugli incendi e sulla qualità dell'aria, proteggendo potenzialmente vite e proprietà nelle comunità vulnerabili.
• Integrazione dei Dati: Le maschere e le mappe di progressione generate sono progettate per essere integrate in Digital Twin del sistema terrestre e piattaforme di modellazione, come il Fire Alarm e Pyrecast del Jet Propulsion Laboratory.
• Utilità Futura: Gli autori osservano che questi dataset granulari possono essere utilizzati per la previsione a breve termine di incendi e fumo, nonché per le valutazioni d'impatto e le future valutazioni del rischio riguardanti incendi, danni da fumo e qualità dell'aria.
• Esplorazione Scientifica: I sottoinsiemi di segmentazione intermedi permettono agli esperti della materia di co-esplorare parametrizzazioni e caratteristiche correlate a specifiche sottoclassi, offrendo un dominio di analisi più ricco per la ricerca futura.

Gli autori mantengono una posizione modesta, riconoscendo che, sebbene il sistema migliori i prodotti operativi, opera in un dominio privo di una verità a terra diretta, e che ulteriori lavori sono necessari per ottimizzare la complessità dell'encoder per la produzione operativa globale.