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

Resumo Técnico: Aproveitando o Aprendizado Profundo Autossupervisionado e o Sensoriamento Remoto Geoestacionário para Monitoramento de Incêndios Florestais e Qualidade do Ar

Definição do Problema
Os incêndios florestais no oeste dos Estados Unidos aumentaram em frequência e severidade desde 2000, criando desafios significativos para o monitoramento e a previsão de poluentes atmosféricos induzidos por incêndios. Um gargalo primário é a dificuldade de distinguir plumas de fumaça de incêndios florestais de nuvens em imagens de satélite. Ambas exibem características semelhantes, como alta refletividade e opacidade, levando algoritmos operacionais a frequentemente classificar erroneamente fumaça espessa como nuvens. Essa classificação incorreta resulta no filtragem de dados críticos de composição atmosférica (ex: NO2, aerossóis) em produtos subsequentes.

Embora a missão Tropospheric Emissions: Monitoring of Pollution (TEMPO) ofereça um monitoramento horário sem precedentes de gases traço em toda a América do Norte, seu processamento de dados atual depende de limiares de fração de nuvens (ex: filtragem de recuperações onde a fração de nuvem > 0,2). Consequentemente, dados valiosos dentro de plumas de fumaça são frequentemente descartados. Além disso, as redes terrestres existentes possuem lacunas espaciais, e os satélites de Órbita Terrestre Baixa (LEO), como o TROPOMI, fornecem apenas instantâneos diários, perdendo as rápidas transformações químicas que ocorrem nas primeiras horas das emissões de incêndios florestais.

Metodologia
Para enfrentar esses desafios, os autores propõem um "Sistema de Mapeamento de Incêndios Florestais" utilizando uma estrutura inovadora de aprendizado profundo autossupervisionado chamada SIT-FUSE (Segmentação, Rastreamento de Instância e fusão de dados usando imagens de múltiplos sensores).

• Aprendizado Autossupervisionado: O sistema aproveita o aprendizado de representação autossupervisionado para operar em domínios com conjuntos de dados rotulados limitados ou inexistentes. Ele emprega Redes de Crença Profunda (DBNs) com 2 a 3 camadas, selecionadas pelo seu espaço de parâmetros compacto (~2 milhões de parâmetros) e capacidades de representação comprovadas em comparação com modelos maiores.
• Agrupamento Profundo Hierárquico: A estrutura utiliza Agrupamento Invariante de Informação (IIC) organizado em uma estrutura de árvore hierárquica. Os cabeçalhos de saída são treinados de modo que os nós filhos processem apenas amostras atribuídas aos seus conjuntos de rótulos parentais. Isso permite a segmentação de cenas em vários níveis de especificidade sem exigir a rotulagem exaustiva de cada pixel.
• Rotulagem com Especialista no Ciclo (Expert-in-the-Loop): Em vez de exigir 100% de dados de treinamento rotulados (como no aprendizado supervisionado), especialistas no assunto rotulam apenas áreas de "alta certeza" de fumaça, fogo e fundos. Áreas de fronteira incertas permanecem não rotuladas. Esta abordagem reduz o trabalho de pré-análise enquanto mantém o rigor científico.
• Fusão de Múltiplos Sensores: O sistema processa dados do GOES-18 (geoestacionário, alta resolução temporal) e do TEMPO (monitoramento de gases traço). Estas pipelines separadas são projetadas para serem agregadas para criar mapas de progressão sub-horária.
• Métricas de Validação: Devido à falta de verdade de campo direta e à incerteza inerente nos casos de fronteira (ex: frentes de fogo), as métricas tradicionais de precisão/revocação são consideradas muito rigorosas. Em vez disso, os autores utilizam o Índice de Similaridade Estrutural (SSIM) para avaliar o desempenho em relação aos produtos operacionais e aos subconjuntos rotulados manualmente de alta certeza.

Principhas Contribuições

1. Discriminação Fumaça/Nuvem: O desenvolvimento de um método para distinguir com sucesso plumas de fumaça de nuvens usando dados de irradiância do GOES-18 e TEMPO, abordando uma lacuna crítica nos produtos operacionais atuais.
2. Restauração de Dados: A geração de máscaras de fumaça que permitem a restauração de dados atmosféricos ausentes (como colunas verticais troposféricas de NO2) em plumas de fumaça de incêndios florestais, que de outra forma seriam filtrados como nuvens.
3. Estrutura de Aprendizado Profundo Eficiente: A demonstração de um sistema de aprendizado profundo hierárquico e autossupervisionado (SIT-FUSE) que alcança uma segmentação robusta com significativamente menos amostras rotuladas do que as abordagens supervisionadas ou semi-supervisionadas tradicionais.
4. Concordância Multimodal: A criação de máscaras de fumaça e frente de fogo de diferentes modalidades de sensoriamento (GOES e TEMPO) que apresentam forte concordância, permitindo a fusão de fluxos de dados para um monitoramento mais granular.

Resultos
O sistema foi testado utilizando o incêndio Park Fire na Califórnia em 26 de julho de 2024, como um estudo de caso.

• Validação Visual: O sistema gerou com sucesso máscaras de fumaça (azul) e máscaras de frente de fogo (vermelho) que se alinharam com a evidência visual nas imagens RGB do GOES-18, identificando efetivamente a pluma de fumaça que estava causando anteriormente a filtragem de dados nos produtos de NO2 do TEMPO.
• Desempenho Quantitativo: Em um conjunto de validação de mais de 7 milhões de pixels de cinco dias distintos não vistos durante o treinamento:
  • Comparado aos produtos operacionais VIIRS e GOES (nos casos em que esses produtos performaram bem), o sistema alcançou um SSIM de 0,86 para fumaça e 0,71 para fogo.
  • Comparado contra pixels rotulados manualmente de alta certeza, o sistema alcançou um SSIM de 0,83 para fumaça e 0,70 para fogo.
• Melhoria Operacional: Os resultados demonstram uma melhoria significativa sobre os produtos operacionais existentes, especificamente em cenários onde a fumaça espessa era classificada incorretamente como nuvens, permitindo assim a recuperação de dados de composição atmosférica em áreas anteriormente excluídas.

Significância e Alegações
O artigo afirma que este trabalho representa um passo para transformar o gerenciamento de incêndios florestais e a qualidade do ar no oeste dos EUA, aproveitando as capacidades de dados horários do TEMPO e avanços no aprendizado profundo autossupervisionado.

• Resposta a Desastres: Os produtos são posicionados para melhorar a resposta a desastres, permitindo que agências como a FEMA emitam alertas de incêndios florestais e avisos de qualidade do ar oportunos e precisos, potencialmente protegendo vidas e propriedades em comunidades vulneráveis.
• Integração de Dados: As máscaras e mapas de progressão gerados são projetados para serem integrados em Gêmeos Digitais de Sistemas Terrestres e plataformas de modelagem, como o Fire Alarm e Pyrecast do Jet Propulsion Laboratory.
• Utilidade Futura: Os autores observam que esses conjuntos de dados granulares podem ser aproveitados para previsões de curto prazo de fogo e fumaça, bem como para avaliações de impacto e futuras avaliações de risco em relação a danos por fogo, fumaça e qualidade do ar.
• Exploração Científica: Os subconjuntos de segmentação intermediários permitem que especialistas no assunto explorem conjuntamente parametrizações e características correlacionadas com subclasses específicas, oferecendo um domínio de análise mais rico para pesquisas futuras.

Os autores mantêm uma postura modesta, reconhecendo que, embora o sistema melhore os produtos operacionais, ele opera em um domínio sem verdade de campo direta, e que trabalhos adicionais são necessários para otimizar a complexidade do codificador para a produção operacional global.