Set Prediction for Next-Day Active Fire Forecasting

Resumo Técnico: Preditor de Conjunto de Ignição de Incêndios Florestais (WISP)

Formulação do Problema
Os modelos atuais de previsão de incêndios florestais globais operam tipicamente em grades grosseiras, na escala de quilómetros (1–9 km), para prever probabilidades de incêndio ou pontuações de perigo. Embora úteis para avaliação de risco regional, estes campos densos de probabilidade falham em representar a natureza discreta e localizada das ignições reais de incêndio. Além disso, tratar a previsão de incêndios ativos do dia seguinte como um problema de segmentação semântica densa em alta resolução (por exemplo, 375 m) cria um desequilíbrio severo entre primeiro plano e fundo, uma vez que o domínio de previsão é dominado por pixels sem fogo, enquanto o sinal de aprendizagem está concentrado em eventos de incêndio esparsos.

Os autores propõem reformular a previsão de incêndios ativos do dia seguinte como um problema de predição de conjunto esparsa. O objetivo é prever um conjunto de comprimento variável de centros de aglomerados de incêndio futuros ao longo de um horizonte de 24 horas, dados estados históricos do sistema terrestre e covariáveis de conhecimento futuro, em vez de estimar uma probabilidade para cada célula da grade.

Metodologia: A Arquitetura WISP
O modelo proposto, Preditor de Conjunto de Ignição de Incêndios Florestais (WISP), adapta o paradigma DETR (Detection Transformer) para previsão de incêndios florestais.

• Representação de Entrada e Alvo:

  • Entradas: O modelo ingere 48 horas de covariáveis multi-fonte ($X_h$) e 24 horas de condutores de conhecimento futuro ($X_f$). Estes incluem meteorologia (ERA5), produtos de vegetação de satélite (PROBA-V, VIIRS), descritores estáticos do terreno (elevação, hidrologia, formas de relevo) e observações históricas de incêndio (fogo ativo VIIRS e Potência Radiativa do Fogo - FRP). Todos os dados são harmonizados para uma grade de 375 m.
  • Alvos: As detecções futuras de fogo ativo são agregadas em componentes conectados (aglomerados) usando uma pegada de 7×7 (~1 km). O alvo é um conjunto de centros de aglomerados ponderados por FRP ($G_K$).
  • Saída: O WISP prevê um conjunto de tamanho fixo de $Q$ hipóteses de consulta (padrão $Q=10$), onde cada consulta consiste numa pontuação de probabilidade de incêndio e numa localização 2D normalizada. Consultas não correspondidas são treinadas como amostras "sem fogo".

• Arquitetura:

  • Codificadores: Uma espinha dorsal espaço-temporal codifica o contexto histórico ($X_h$) numa pirâmide de características multi-escala. Codificadores paralelos processam dados estáticos do terreno, sequências históricas de incêndio e mapas de resumo de incêndio.
  • Injeção de Condição: Os condutores futuros ($X_f$) são codificados e injetados no contexto histórico através de um mecanismo de injeção de condição multi-escala com portão. Isto permite que os estados futuros do tempo e da vegetação modifiquem as características históricas de forma consciente à escala, com condicionamento mais forte aplicado a características semânticas de baixa resolução.
  • Decodificador de Consulta: Um decodificador no estilo DETR utiliza consultas aprendíveis para atender à memória condicionada ao futuro. Refina iterativamente pontos de referência (localizações) e logits de classificação através de mecanismos de atenção própria e atenção cruzada.

• Objetivo de Treinamento:

  • O modelo é treinado de ponta a ponta utilizando correspondência húngara para estabelecer uma atribuição um-a-um entre consultas previstas e aglomerados de verdade fundamental.
  • Função de Perda: A perda total combina perda de classificação (para todas as consultas) e perda de localização (para consultas correspondidas).
  • Inovação Chave: Os autores identificam um conflito onde uma única pontuação de classificação é usada para atribuição, classificação e ativação de consulta. Para mitigar isso, empregam ponderação assimétrica entre classificação e localização. Especificamente, sub-pesam a classe "sem fogo" no custo de correspondência e na perda para evitar que consultas não correspondidas dominem o sinal de treinamento, e ajustam o equilíbrio entre os pesos de classificação e localização no custo de correspondência para controlar a compactação da consulta.

Contribuições Principais

1. Mudança de Formulação: O artigo reformula a previsão de incêndios ativos do dia seguinte de estimativa de grade densa para predição de conjunto de pontos, introduzindo o WISP como o primeiro modelo baseado em consultas para esta tarefa específica.
2. Resolução de Conflito de Papel de Pontuação: Os autores identificam e abordam um desafio específico na predição de conjunto esparsa onde a pontuação de classificação serve a múltiplos papéis conflitantes (atribuição, classificação, ativação). Propõem ponderação assimétrica na correspondência e na perda para estabilizar o treinamento.
3. Construção de Benchmark: Os autores construíram um benchmark globalmente distribuído, horário e multi-fonte usando alvos derivados do VIIRS, cobrindo 11 anos (2014–2024) em 14 regiões do GFED.

Resultados
Avaliado num conjunto de teste retido abrangendo regiões globais de incêndio, a melhor variante do WISP ($Q=50$) alcançou:

• 38,2% de Precisão Média (AP) para detecções de centros de incêndio classificados com uma tolerância de 14 pixels (~5 km).
• 53,4% de cobertura da massa do aglomerado de incêndio, ponderada pela Potência Radiativa do Fogo (FRP).
• 54,1% dos aglomerados observados localizados dentro de 5 km.

Desempenho Específico por Regime:

• Incêndio Contínuo: O modelo desempenha significativamente melhor quando há evidência histórica de incêndio (AP@14 de 43,8% para $Q=50$), confirmando o incêndio histórico como um forte indicador preditivo.
• Nova Ignição: O desempenho é menor para novas ignições sem indicadores históricos (AP@14 de 12,5% para $Q=50$), destacando a dificuldade de prever ignições espontâneas.
• Compromisso Orçamental de Consulta: Aumentar o orçamento de consultas ($Q$) melhora a cobertura e o recall, mas aumenta o número de falsos positivos e detecções duplicadas. Um orçamento menor ($Q=10$) fornece previsões mais compactas com menos falsos alarmes.

Significado e Alegações
O artigo alega que a predição de conjunto esparsa é uma formulação viável para previsão de incêndios florestais de alta resolução, oferecendo uma representação direta de eventos de incêndio discretos em vez de campos de probabilidade suavizados. O trabalho estabelece um novo benchmark para este regime e demonstra que modelos baseados em consultas podem localizar efetivamente aglomerados de incêndio futuros. Os autores notam que, embora o modelo mostre promessa, é necessário trabalho futuro para melhorar a estabilidade de atribuição, calibração de pontuação e a integração do acoplamento ignição-propagação. Os resultados são apresentados como estabelecendo uma fundação para pesquisas futuras neste regime específico de previsão.