On-Orbit Real-Time Wildfire Detection Under On-Board Constraints

Resumo Técnico: Detecção em Tempo Real de Incêndios Florestais em Órbita sob Restrições de Bordo

Declaração do Problema
O artigo aborda o desafio crítico de detectar incêndios florestais a partir do espaço sob restrições operacionais extremas. Embora o monitoramento baseado em satélites seja essencial para a gestão global de incêndios, as arquiteturas existentes enfrentam compromissos fundamentais: plataformas geoestacionárias oferecem alta revisita temporal, mas resolução espacial grosseira (2–3 km), perdendo incêndios pequenos; sensores em Órbita Baixa da Terra (LEO) oferecem resolução mais fina, mas passagens diárias limitadas, frequentemente perdendo as janelas de pico de atividade de incêndio. A missão OTC-P1 da OroraTech tenta preencher essa lacuna com uma constelação de nove satélites de infravermelho térmico, mas impõe um conjunto único de restrições conjuntas que os modelos atuais de última geração não conseguem satisfazer:

1. Latência Estrita: Um pipeline de alerta de ponta a ponta deve operar em menos de 10 minutos, desde a passagem do satélite até a comunicação, necessitando de inferência a bordo em vez de arquiteturas de downlink e processamento.
2. Restrições de Recursos: A inferência deve ser executada em um NVIDIA Jetson Xavier NX (modo 10 W) com uma footprint de modelo inferior a 1 MB e latência de inferência inferior a 150 ms por lote.
3. Características dos Dados: O sistema opera com imagens de Infravermelho de Onda Média (MWIR) de banda única não calibradas, com distância de amostragem no solo de 200 m. Os incêndios frequentemente aparecem como anomalias térmicas subpixel ou de pixel único, criando um desequilíbrio de classes extremo (pixels de fogo constituem ~0,018% dos pixels válidos).
4. Ruído: O pipeline utiliza números digitais brutos (DN) sem calibração radiométrica para minimizar a latência, aumentando a suscetibilidade a ruído do sensor e artefatos.

Os pipelines operacionais atuais (por exemplo, MODIS, VIIRS) baseiam-se em métodos heurísticos de limiar térmico contextual que lutam com essas restrições específicas, particularmente a natureza subpixel dos incêndios iniciais e a falta de calibração multiespectral.

Metodologia
Os autores propõem um pipeline de aprendizado profundo orientado à implantação centrado no DenseMAE (Autoencoder Mascarado Denso), uma abordagem de aprendizado auto-supervisionado leve adaptada para segmentação densa em imagens MWIR não calibradas.

• Arquitetura: O DenseMAE é um autoencoder mascarado totalmente convolucional. Diferentemente dos Transformers de Visão (ViT) padrão que tokenizam imagens, o DenseMAE utiliza um codificador convolucional em etapas com uma única etapa de subamostragem inicial (para $H/2 \times W/2$), seguida por blocos convolucionais dilatados para aumentar o campo receptivo de forma eficiente. Ele produz embeddings densos por pixel em vez de tokens de imagem globais.
• Objetivo de Pré-treinamento: O modelo é pré-treinado usando um objetivo de reconstrução mascarada. Blocos aleatórios da entrada são mascarados, e o par codificador-decodificador aprende a reconstruir os padrões térmicos ausentes a partir do contexto circundante. A perda é computada apenas em pixels mascarados e válidos, excluindo explicitamente regiões "sem dados".
• Ablação Híbrida: Os autores investigaram uma variante híbrida combinando reconstrução mascarada com uma perda de consistência professor-aluno de Média Móvel Exponencial (EMA). No entanto, os resultados empíricos mostraram que isso proporcionou apenas ganhos marginais e inconsistentes, levando os autores a favorecer a abordagem apenas de reconstrução.
• Transferência a Montante: Após o pré-treinamento, o decodificador é descartado. O codificador é transferido para a tarefa de segmentação de incêndios florestais usando cabeças leves. Duas estratégias de transferência foram avaliadas:
  1. Codificador Congelado: Treinamento apenas de uma cabeça leve (sonda linear ou pequena cabeça de contexto) sobre embeddings fixos.
  2. Ajuste Fino Completo: Otimização conjunta do codificador e da cabeça de ponta a ponta.
• Refinamento: Para abordar a natureza subpixel dos incêndios, emprega-se uma cabeça de refinamento de alta resolução (HR). Este módulo re-injeta recursos de alta resolução do tronco do codificador na etapa final de previsão para melhorar a localização de anomalias de pixel único.
• Estratégia de Treinamento: Para lidar com o desequilíbrio de classes extremo, os lotes de treinamento são enviesados para patches positivos. O sistema usa perda de entropia cruzada binária, otimizador AdamW e precisão mista.

Principais Contribuições

1. Pipeline de Implantação: Introdução de um pipeline de aprendizado profundo para detecção de incêndios florestais em órbita que opera em imagens MWIR de banda única não calibradas sob restrições estritas de latência (<150 ms) e footprint (<1 MB).
2. DenseMAE: Proposta de um autoencoder mascarado convolucional em etapas e leve que aprende representações densas de MWIR, permitindo modelos de implantação submegabyte sem poda ou compressão.
3. Estudo Empírico: Uma avaliação sistemática de pré-treinamento auto-supervisionado (MAE vs. EMA híbrido) e aprendizado de transferência (codificador congelado vs. ajuste fino completo) sob desequilíbrio de classes extremo, usando Precisão Média (AP) ao nível de pixel na distribuição completa de teste.
4. Alcanço da Fronteira de Pareto: Demonstração de que representações densas auto-supervisionadas permitem modelos compactos que se situam na fronteira de Pareto latência-precisão, superando baselines supervisionadas sob restrições comparáveis.

Resultados
O sistema foi avaliado em um conjunto de dados de 839 cenas anotadas da missão OTC-P1 da OroraTech, dividido em 70/15/15% para treino/validação/teste.

• Desempenho vs. Baseline: A configuração DenseMAE de melhor desempenho (dimensão de embedding 64, ajuste fino completo, cabeça DW-Res + refinamento HR) alcançou uma AP de Teste de 0,699 e Fire-F1 de 0,744. Isso supera a forte baseline supervisionada (U-Net++ com refinamento HR), que alcançou 0,650 AP sob restrições semelhantes.
• Latência e Footprint:
  • A configuração mais rápida (dimensão de embedding 32, Cabeça TRT) alcançou 0,640 AP com latência de 65,34 ms (TensorRT FP16, tamanho de lote 8) e um tamanho de engine de modelo de 0,52 MB.
  • A configuração de melhor precisão permaneceu abaixo de 1 MB (0,91 MB) com latência de 141 ms.
• Descobertas de Ablação:
  • O aumento da dimensionalidade do embedding de 32 para 64 melhorou consistentemente a AP.
  • O ajuste fino completo superou consistentemente a transferência com codificador congelado (0,689 vs. 0,612 AP para emb64), indicando que a inicialização SSL é mais benéfica quando o modelo a jusante pode se adaptar de ponta a ponta.
  • A destilação EMA híbrida não proporcionou ganhos consistentes em toda a distribuição sobre o pré-treinamento apenas de reconstrução.
• Validação Externa: O modelo foi comparado ao produto de incêndio ativo VIIRS de 375 m (uma referência operacional padrão) em observações coincidentes. O estudo encontrou forte concordância entre sensores, com o modelo detectando 103 clusters de incêndio conjuntos. O modelo identificou 33 clusters perdidos pelo VIIRS (frequentemente sinais térmicos fracos próximos ao limite de detecção) e 3 clusters detectados apenas pelo modelo, sugerindo a capacidade de encontrar incêndios pequenos ou de curta duração abaixo dos limiares do VIIRS.

Significado e Alegações
O artigo afirma que representações auto-supervisionadas leves permitem detecção de incêndios em órbita precisa e eficiente, onde métodos tradicionais falham devido a restrições de hardware e dados. Ao alcançar tamanhos de modelo submegabyte e latências de inferência sub-100 ms em hardware de borda, o sistema facilita um pipeline de alerta de ponta a ponta capaz de detectar ignições em minutos após a passagem do satélite. Isso representa um passo significativo para reduzir a lacuna entre o início do incêndio e a resposta operacional. Os autores observam modestamente que, embora o sistema melhore a robustez a artefatos comuns de sensores, a confusão com o brilho solar (sunglint) permanece um desafio, e trabalhos futuros podem exigir entradas multicanal ou características informadas pela física para abordar esses casos extremos. O estudo valida que o pré-treinamento SSL denso é uma estratégia viável e superior para desequilíbrio de classes extremo e tarefas de sensoriamento remoto com restrições de recursos.