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

Sintesi Tecnica: Predizione della Propagazione Spazio-Temporale degli Incendi Boschivi in Canada tramite una Video Swin-Hybrid-U-Net

Problematica
I regimi di incendi boschivi in Canada stanno aumentando in frequenza e intensità, ponendo gravi minacce agli ecosistemi e alle infrastrutture. Sebbene i simulatori tradizionali basati sulla fisica (ad es. FARSITE) offrano interpretabilità, essi richiedono spesso un'estesa calibrazione dei parametri e sono computazionalmente intensivi. Al contrario, gli approcci esistenti di deep learning mancano frequentemente di scalabilità o non riescono a catturare efficacemente la dinamica temporale della propagazione del fuoco, in particolare all'interno del contesto ambientale unico delle foreste boreali canadesi. Inoltre, molti modelli avanzati si affidano a dati proprietari, ostacolando la riproducibilità e lo sviluppo di strumenti operativi trasparenti. La sfida centrale affrontata è la necessità di un framework di deep learning scalabile, capace di modellare complesse dipendenze spazio-temporali in dati ambientali per prevedere con precisione l'incidenza degli incendi al giorno successivo.

Metodologia
Lo studio propone un nuovo framework di deep learning che inquadra la predizione della propagazione degli incendi come un compito di segmentazione semantica da video a immagine. Il modello riceve in input una sequenza di tre giorni di dati ambientali multicanale per predire una maschera binaria del fuoco per il giorno successivo.

• Pipeline dei Dati: Il dataset è curato esclusivamente da repository pubblici tramite Google Earth Engine (GEE), coprendo i principali eventi di incendi canadesi dal 2014 al 2023. I dati sono elaborati a una risoluzione spaziale di 500 m (224x224 pixel).

  • Variabili Dinamiche (varianti nel tempo): Include Maschere di Fuoco (MODIS), Dati Meteorologici (ECMWF/ERA5-LAND: temperatura, precipitazioni, componenti del vento campionate a intervalli di 6 ore) e Umidità del Suolo (GLDAS). Questi forniscono un'alta risoluzione temporale per catturare i pattern diari.
  • Variabili Statiche (invarianti nel tempo): Include Topografia (Elevazione, Pendenza, Esposizione da NRCan/CDEM), Vegetazione (NDVI da NOAA/VIIRS) e Densità di Popolazione (CIESIN/GPW). Queste vengono replicate attraverso la sequenza di tre giorni in input.
  • Tensore di Input: I dati sono strutturati come un tensore 3D $(T, C, H, W)$ dove $T=3$ giorni, $C=23$ canali (18 dinamici + 5 statici) e $H, W=224$.

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

  • Encoder Spazio-Temporale: Utilizza un backbone 3D Swin Transformer. A differenza dei modelli che appiattiscono il tempo in canali, questo encoder elabora l'input come un volume 3D unificato. Impiega l'attenzione a finestra 3D spostata (SW-MSA) per modellare efficientemente le relazioni sia nello spazio che nel tempo simultaneamente, catturando dipendenze a lungo raggio ed evoluzioni dinamiche.
  • Decoder Convoluzionale: Un decoder in stile U-Net utilizza convoluzioni trasposte 3D per l'upsampling delle feature alla risoluzione originale. Integra connessioni skip dall'encoder per recuperare dettagli spaziali fini. Il tensore di feature 3D finale viene aggregato lungo la dimensione temporale tramite media per produrre una maschera di segmentazione 2D.
  • Funzione di Perdita (Loss Function): Per affrontare il severo squilibrio di classe (pixel di fuoco rispetto ai pixel non di fuoco), il modello è addestrato utilizzando una somma pesata di Binary Cross-Entropy (BCE) e Dice Loss ($\lambda_1 = \lambda_2 = 0.5$).

• Addestramento: Il modello è stato addestrato end-to-end utilizzando l'ottimizzatore AdamW con uno schema di Cosine Annealing Warm Restarts. Gli esperimenti sono stati ripetuti cinque volte con diversi seed casuali per garantire la robustezza.

Contributi Chiave

1. Nuova Architettura con Attenzione Spazio-Temporale: Il documento introduce un'architettura Video Swin-U-Net che tratta l'input come un volume video 3D. Questo design si discosta dai modelli 2D convoluzionali o di attenzione puramente spaziale, consentendo l'apprendimento esplicito di complesse dipendenze a lungo raggio attraverso lo spazio e il tempo.
2. Apprendimento Profondo delle Feature Temporali: Il modello sfrutta una sequenza di tre giorni con un'alta granularità temporale (variabili campionate quattro volte al giorno). Ciò consente di catturare i pattern diari transitori nelle variabili meteorologiche, che sono driver critici del comportamento del fuoco ma che spesso vengono ignorati dai modelli che utilizzano input giornalieri.
3. Framework Accessibile al Pubblico: L'intera pipeline si basa su dati open-source da GEE, garantendo che la metodologia sia trasparente, riproducibile e scalabile per uno strumento operativo a livello nazionale canadese, superando la barriera dei dati proprietari nei sistemi esistenti.

Risultati
La proposta Hybrid Video Swin-U-Net è stata valutata contro tre baseline: una standard 2D U-Net, una 2D Swin U-Net e una pure Video Swin U-Net (che utilizza blocchi 3D sia nell'encoder che nel decoder).

• Performance Quantitative: Il modello Hybrid ha ottenuto prestazioni superiori in tutti i parametri sul test set tenuto separato:
  • F1-Score: 0.6550 (rispetto allo 0.6003 della seconda migliore Video Swin U-Net e allo 0.4528 della 2D Swin U-Net).
  • Precision: 0.6328.
  • Recall: 0.6791.
• Analisi Topografica: Le performance sono variate con il terreno. Il modello ha mostrato una forte correlazione positiva tra la pendenza del terreno e l'accuratezza (l'F1-Score aumenta da ~0.62 su terreni pianeggianti a ~0.72 su terreni ripidi). L'elevazione ha mostrato una relazione non lineare, con maggiore accuratezza alle estremità basse e alte, e un calo nelle elevazioni intermedie.
• Analisi dell'Umidità del Suolo: Il modello ha dimostrato robustezza attraverso diverse condizioni di umidità del suolo, mantenendo F1-Score costanti (0.64–0.68) attraverso i diversi bin di umidità per tutti i tre giorni di input, indicando un apprendimento efficace della dinamica della disponibilità di combustibile.
• Analisi Qualitativa: L'ispezione visiva ha rivelato la capacità del modello di catturare forme e confini di fuoco complessi, producendo contorni più fluidi rispetto alle maschere ground truth frastagliate.

Significatività e Rivendicazioni
Il documento sostiene che l'uso esplicito di meccanismi di attenzione spazio-temporale è fondamentale per la previsione ambientale dinamica. Elaborando il tempo come una dimensione distinta piuttosto che come un canale appiattito, il modello supera i limiti degli approoli 2D nel distinguere la sequenza temporale dalle caratteristiche spaziali. Lo studio dimosta che le moderne architetture di computer vision, specificamente quelle adattate per i dati video, possono far progredire significativamente la predizione di rischi ambientali come gli incendi boschivi.

Gli autori posizionano questo lavoro come un passo avanti nell'applicazione di tecniche all'avanguardia alla dinamica degli incendi canadesi, offrendo un framework trasparente e riproducibile che cattura l'interazione unica tra meteo, topografia e combustibile. I risultati suggeriscono che tali modelli possono fornire previsioni spazialmente esplicite accurate, essenziali per l'allocazione delle risorse e la pianificazione delle evacuazioni. Il documento conclude con moderazione, notando limitazioni come la dipendenza dai dati satellitari ottici (soggetti a copertura nuvolosa) e la ridondanza della replica dei canali statici, suggerendo direzioni future come orizzonti di predizione più lunghi e una migliore integrazione dei dati statici.