Wildfire Simulation with Differentiable Randers-Finsler Eikonal Solvers

1. O Problema

A equação de Eikonal, que governa a propagação de frentes de onda em meios isotrópicos, é fundamental em geometria computacional e física. No entanto, muitas aplicações do mundo real, como a propagação de incêndios florestais, envolvem meios anisotrópicos (a velocidade depende da direção) e assimétricos (há um "drift" ou deriva, como o vento, que favorece uma direção sobre a outra).

O desafio central abordado no artigo é o problema inverso: recuperar os parâmetros de propagação subyacentes (métrica e campo de deriva) a partir de dados observados de tempo de chegada (ex: perímetros de incêndios). Para resolver isso usando aprendizado de máquina baseado em gradiente, é necessário um solver de Eikonal diferenciável. Solvers tradicionais (como Fast Marching ou Fast Sweeping padrão) não são facilmente diferenciáveis devido à seleção discreta de estênceis (vizinhos) e dependências de dados, o que impede o uso de retropropagação (backpropagation) direta.

2. Metodologia

Os autores propõem um framework completo que combina um solver rápido com diferenciação implícita para lidar com métricas de Randers-Finsler.

A. Formulação Randers-Finsler

A equação de Eikonal é generalizada para incluir anisotropia e deriva:
$$(\nabla T - b)^\top G^{-1} (\nabla T - b) = 1$$
Onde:

• $T(x)$ é o campo de tempo de chegada.
• $G(x)$ é um tensor métrico simétrico positivo-definido (controla a anisotropia/velocidade).
• $b(x)$ é um vetor de deriva (controla a assimetria/direção preferencial, ex: vento).

B. Solver Forward (Direto)

• Método: Utiliza o Fast Sweeping Method (FSM) em grades cartesianas.
• Otimização: Em vez de processar nó a nó, o algoritmo processa colunas ou linhas inteiras simultaneamente, tornando-o amigável para GPUs.
• Estênceis: Em cada nó, o solver seleciona um de oito estênceis triangulares (vizinhos) baseado na estrutura causal local para calcular o tempo de chegada.
• Complexidade: Convergência em 2-3 iterações independentes do tamanho da grade, resultando em complexidade $O(n)$ por iteração.

C. Solver Backward (Diferenciação Implícita)

Para evitar a necessidade de "desenrolar" (unrolling) as iterações (o que consumiria muita memória) e lidar com a não-diferenciabilidade da seleção de estênceis:

• Abordagem: Aplica-se o Teorema da Função Implícita na solução convergida $R(T, \theta) = 0$.
• Sistema Adjoint: Calcula-se o gradiente resolvendo um sistema linear esparso triangular (o sistema adjunto) através de uma única substituição reversa no tempo.
• Estabilidade: Os autores demonstram que a não-diferenciabilidade ocorre apenas em curvas de medida zero (fronteiras onde o estêncil ótimo muda). Em todos os outros pontos, os gradientes são exatos. Mesmo nas fronteiras, os gradientes permanecem estáveis sob pequenas perturbações.

D. Aplicação em Incêndios Florestais

O framework é aplicado ao dataset Sim2Real-Fire:

• Uma rede neural (CNN + MLP) mapeia covariáveis ambientais (topografia, vegetação, combustível, clima) para os parâmetros da métrica Randers ($G$ e $b$).
• O solver calcula os tempos de chegada previstos.
• A perda é calculada comparando com dados observados, e os gradientes fluem de volta através do solver adjunto para treinar a rede.

3. Contribuições Principais

1. Solver Diferenciável Randers-Finsler: Um solver eficiente que combina Fast Sweeping com diferenciação implícita, permitindo aprendizado de gradientes em métricas anisotrópicas e assimétricas.
2. Análise Teórica de Não-Suavidade: Prova de que a seleção de estênceis cria pontos de não-diferenciabilidade apenas em um conjunto de medida zero, garantindo que a diferenciação implícita seja válida quase em toda parte e estável.
3. Validação em Problemas Inversos: Demonstração de recuperação precisa de métricas isotrópicas (erro ~5.6%) e campos de deriva (<3%) a partir de observações esparsas.
4. Aplicação Real (Wildfire): Implementação bem-sucedida em dados reais de incêndios, mostrando generalização dentro de uma cena e transferência entre diferentes paisagens geográficas.

4. Resultados

• Precisão do Solver Forward: Erros relativos inferiores a 1% em configurações isotrópicas, anisotrópicas e Randers-Finsler.
• Verificação de Gradientes: Concordância exata (erro < $10^{-6}$) entre diferenciação implícita e diferenças finitas em pontos internos.
• Eficiência Computacional:
  • O solver forward é até 1400x mais rápido que iteração Jacobi.
  • A diferenciação implícita é 755x mais rápida que diferenças finitas.
• Desempenho em Incêndios (Sim2Real-Fire):
  • Generalização Dentro da Cena: Correlação média de 0.824 ao prever novos pontos de ignição no mesmo terreno.
  • Transferência entre Cenas: Correlação de 0.766 ao treinar em 11 cenas e testar em 4 cenas não vistas, demonstrando que o modelo aprendeu a física de propagação universal e não apenas memorizou locais.
  • Análise de Capacidade: O modelo baseado em CNN (116K parâmetros) superou a otimização por pixel (que exigia >1M parâmetros) em incêndios menores, provando que a arquitetura convectiva atua como regularização eficaz.

5. Significado e Impacto

Este trabalho preenche uma lacuna crítica entre métodos numéricos clássicos de equações diferenciais parciais e aprendizado de máquina moderno. Ao tornar solvers de Eikonal anisotrópicos e assimétricos totalmente diferenciáveis, os autores permitem:

• Inversão de Parâmetros Físicos: Recuperar propriedades do terreno e do vento a partir de dados de observação (como satélites) sem necessidade de simulações físicas pesadas e iterativas.
• Modelagem de Física-Aprendida: Criar modelos de propagação de incêndios que são interpretáveis (baseados em física) e adaptáveis a dados reais, superando as limitações de modelos puramente baseados em dados (que não generalizam bem) ou puramente físicos (que exigem calibração manual complexa).
• Escalabilidade: A eficiência computacional torna viável o treinamento em grandes conjuntos de dados geoespaciais, abrindo caminho para sistemas de previsão de desastres mais precisos e rápidos.

Em resumo, o artigo apresenta uma ferramenta fundamental para a geometria computacional e a ciência de dados ambientais, transformando um problema inverso historicamente difícil em um processo de otimização escalável e robusto.