Magnifying change: Rapid burn scar mapping with multi-resolution, multi-source satellite imagery

Resumo Técnico: Ampliando a Mudança: Mapeamento Rápido de Cicatrizes de Queimadas com Imagens de Satélite de Multi-Resolução e Multi-Fonte

Formulação do Problema
O artigo aborda o desafio crítico de delinear rapidamente cicatrizes de queimadas utilizando imagens de satélite. Embora modelos de aprendizagem profunda alcancm alta precisão com dados de alta resolução (ex: Sentinel-2), sua utilidade operacional é limitada pelo compromisso entre resolução espacial e frequência de revisita temporal. Satélites de alta resolução frequentemente possuem tempos de revisita de vários dias, atrasando a avaliação pós-incêndio. Por outro lado, sensores de alta resolução temporal (ex: MODIS) oferecem cobertura diária, mas com uma resolução espacial grosseira (500 m), que é insuficiente para o mapeamento detalhado de perímetros, especialmente para incêndios menores.

Os autores definem um problema específico de "Mapeamento de Áreas Queimadas" (BAM - Burnt Area Mapping) distinto da detecção de mudanças genérica. Ao contrário da detecção de mudanças urbanas, que depende de bordas geométricas nítidas, as cicatrizes de queimadas exibem mudanças espectrais heterogêneas através do espectro eletromagnético (particularmente nas bandas do vermelho, infravermelho próximo e infravermelho de ondas curtas) e severidade variável. O objetivo central é produzir um mapa binário de cicatriz de queimada de alta resolução (60 m) imediatamente após um evento de fogo ($t_e + 1$) usando:

1. Imagens Pré-fogo de Alta Resolução Espacial/Baixa Temporal (HSLT): Sentinel-2 ($I_{t1}$).
2. Imagens Pós-fogo de Baixa Resolução Espacial/Alta Temporal (LSHT): MODIS ($I_{t2}$).
3. Imagens Pré-fogo LSHT: MODIS ($I_{t1}$) para facilitar a detecção de mudanças.

Esta formulação (Abordagem 3) visa contornar a necessidade de imagens bitemporais de alta resolução, que muitas vezes não estão disponíveis imediatamente após um desastre.

Metodologia: BAM-MRCD
Os autores propõem o BAM-MRCD (Burnt Area Mapping - Multi-Resolution Change Detection), uma nova arquitetura de aprendizagem profunda que evita a propagação de erros comum em abordagens tradicionais de duas etapas (super-resolução seguida de detecção de mudanças).

• Arquitetura: O modelo emprega uma estratégia de processamento paralelo usando dois ramos distintos:
  1. Ramo BAM-CD: Uma arquitetura DeepResUnet siamesa (ou pseudo-siamesa) que processa imagens MODIS bitemporais ($I_{t1}$ e $I_{t2}$) para detectar mudanças na resolução nativa de 500 m.
  2. Ramo UNet: Um modelo do tipo UNet padrão que processa a imagem Sentinel-2 pré-fogo ($I_{t1}$) para extrair detalhes espaciais de alta frequência.
• Fusão de Características: As características dos codificadores BAM-CD são concatenadas e passadas por um decodificador com mecanismos de atenção "squeeze-and-excitation" para isolar as características de mudança relevantes. Essas características são então fundidas com as características de alta resolução do ramo UNet e passadas para um decodificador final para a predição de 60 m.
• Supervisão Profunda: O modelo utiliza uma função de perda composta. Além da perda de alta resolução final, uma perda de baixa resolução auxiliar é aplicada à saída do ramo BAM-CD. Isso guia a rede para aprender a tarefa de detecção de mudanças na escala MODIS antes de refinar os detalhes na escala Sentinel-2, efetivamente destilando o complexo problema de multi-resolução em subtarefas mais simples.
• Dados: O modelo é treinado no dataset FLOGA, contendo 326 eventos de incêndios florestais na Grécia (2017–2021) com anotações manuais. O conjunto de dados inclui imagens pareadas de Sentinel-2 e MODIS. Os autores observam o problema de desequilíbrio de classes e utilizam uma estratégia de divisão espacial para evitar vazamento de dados (data leakage).

Contribuições Principais

1. Definição do Problema: O artigo formula o mapeamento de cicatrizes de queimadas como uma tarefa única de detecção de mudanças de multi-resolução e multi-fonte, distinta da detecção de mudanças padrão devido à natureza espectral do fogo e à ausência de fronteiras geométricas estritas.
2. Arquitetura Inovadora: O BAM-MRCD é o primeiro modelo proposto a explorar entradas de multi-resolução pré-mudança e pós-mudança de baixa resolução de forma paralela, sem depender de um módulo dedicado de super-resolução, evitando assim a introdução de artefatos.
3. Métrica de Avaliação: Reconhecendo que métricas padrão como F1-score e IoU são saturadas por grandes sobreposições e falham em capturar o desempenho em incêndios de pequena escala, os autores propõem uma métrica IoU multi-escala. Esta métrica agrupa eventos por tamanho (pequenos, médios, grandes) para fornecer uma avaliação mais granular da robustez do modelo em diferentes escalas de incêndio.

Resultos

• Desempenho: O BAM-MRCD supera os modelos de base de última geração (incluindo FC-EF-Diff, SNUNet-CD, ChangeFormer, MM-Trans e DCILNet) em todas as métricas, particularmente nas categorias de IoU multi-escala. Ele alcança um F1-score de 92,06% e recupera com sucesso 36 dos 53 eventos de teste.
• Comparação com Modelos de Base:
  • Modelos convencionais de detecção de mudanças (Abordagem 1: MODIS-MODIS) têm dificuldade com incêndios pequenos devido ao limite de resolução.
  • Modelos que tentam a entrada direta de multi-resolução (Abordagem 2: Sentinel-2/MODIS) frequentemente falham em alinhar as características de forma eficaz ou sofrem de instabilidade.
  • Abordagens baseadas em SR (ex: DCILNet) apresentam desempenho inferior em eventos pequenos, provavelmente devido aos artefatos gerados pelo módulo de super-resolução.
• Análise Qualitativa: O modelo demonstra uma capacidade superior de delinear pequenas cicatrizes de queimada (< 90 ha) que são perdidas por outros modelos. Também mostra alta precisão na preservação de bordas complexas e na prevenção de falsos positivos em coberturas de solo com assinaturas espectrais semelhantes (ex: colheitas de culturas).
• Generalização: O modelo foi testado em eventos de incêndios florestais não vistos na Grécia, Bulgária e Portugal da temporada de 2025. Ele forneceu delineamentos com sucesso dias antes da próxima imagem disponível do Sentinel-2 livre de nuvens, demonstrando potencial operacional.

Limitações e Alegações
Os autores reconhecem modestamente limitações específicas:

• Características Pequenas/Lineares: O modelo tem dificuldade com cicatrizes de queimada extremamente estreitas ou oblongas, onde a largura da característica é menor que o tamanho do pixel do MODIS, levando a um sinal espectral insuficiente.
• Condições Atmosféricas: A dependência de imagens multiespectrais significa que o desempenho é prejudicado pela cobertura de nuvens ou fumaça, embora a alta frequência temporal do MODIS mitigue isso em comparação com sensores de alta resolução.
• Aposentadoria de Sensores: Os autores observam a aposentadoria planejada dos satélites MODIS (final de 2026/início de 2027), mas sugerem que a abordagem permanece aplicável, pois pode ser adaptada para a constelação VIIRS, que compartilha características semelhantes.

Significância
O artigo afirma que o BAM-MRCD representa um passo significativo em direção ao mapeamento de cicatrizes de queimada no dia seguinte em configurações operacionais. Ao aproveitar as forças complementares do MODIS (frequência temporal) e do Sentinel-2 (detalhe espacial), o método permite uma avaliação de danos de alta resolução e rápida, crucial para o planejamento imediato de socorro e restauração de ecossistemas. O trabalho visa impulsionar a pesquisa neste campo emergente ao fornecer um framework robusto para lidar com dados de sensoriamento remoto de multi-resolução no gerenciamento de desastres.