Resumo Técnico: Classificação de Densidade de Fumaça de Incêndios Florestais com Consciência de Incerteza via EfficientNet Aumentado com CBAM e Aprendizado Profundo Evidencial

Declaração do Problema

A fumaça de incêndios florestais representa riscos significativos para a saúde pública, segurança da aviação e logística. Embora os sistemas automatizados existentes possam detectar a presença de fumaça (classificação binária) ou estimar a Profundidade Óptica de Aerossóis (AOD) por meio de regressão, eles carecem de uma capacidade operacional crítica: confiança de predição quantificada. As abordagens atuais produzem estimativas pontuais sem sinais de confiabilidade, deixando os gestores de emergência incapazes de distinguir entre detecções de alta confiança e predições ambíguas e potencialmente errôneas. Além disso, os métodos existentes não decompõem a incerteza em componentes epistêmicos (falta de evidência de treinamento) e aleatórios (ambiguidade inerente da cena), o que é essencial para fluxos de trabalho de resposta em níveis.

Metodologia

Os autores propõem um framework probabilístico que classifica patches de satélite em três classes de severidade (Leve, Moderada, Pesada) enquanto estima simultaneamente a incerteza decomposta em uma única passagem direta.

1. Arquitetura e Entrada

• Backbone: O modelo utiliza um EfficientNet-B3 pré-treinado (inicializado no ImageNet) adaptado para entrada de 4 canais.
• Canais de Entrada: A entrada consiste nos canais RGB padrão mais um canal proxy espectral. Este proxy é um canal sintético derivado de uma combinação linear ponderada dos valores RGB ($0,5R + 0,3G - 0,2B$) para aproximar características de Infravermelho Próximo (NIR), já que o NIR real não está disponível em imagens de satélite RGB padrão.
• Mecanismo de Atenção: Um CBAM (Módulo de Atenção de Bloco Convolucional) é integrado após o backbone. Ele aplica atenção sequencial de canal e espacial para focar em características relevantes à fumaça e gerar mapas de saliência interpretáveis.

2. Cabeça de Aprendizado Profundo Evidencial

Em vez da classificação Softmax padrão, o modelo emprega Aprendizado Profundo Evidencial (EDL).

• Prior Dirichlet: A rede outputa parâmetros de concentração ($\alpha_k$) para uma distribuição Dirichlet sobre o simplex de classes.
• Decomposição de Incerteza:
  • Vacuidade (Incerteza Epistêmica): Calculada como $K/S$ (onde $K$ é o número de classes e $S$ é a soma dos parâmetros de concentração). Representa a falta de evidência; alta vacuidade indica que o modelo não viu exemplos de treinamento semelhantes.
  • Dissonância (Incerteza Aleatória): Representa o conflito entre classes concorrentes com base na distribuição de evidências.
• Objetivo de Treinamento: A função de perda combina:
  1. Erro quadrático médio (MSE) entre a média Dirichlet e o alvo one-hot.
  2. Um regularizador de divergência KL com annealing para penalizar evidências em classes incorretas.
  3. Uma perda auxiliar MSE em um proxy contínuo de AOD para auxiliar na estabilidade da regressão.

3. Conjunto de Dados

O modelo foi avaliado em 16.298 patches de satélite reais derivados do conjunto de dados de Detecção de Incêndios Florestais do Kaggle.

• Classes: Leve (55,8%), Pesada (37,5%) e Moderada (6,6%). A classe Moderada é significativamente sub-representada, refletindo a natureza bimodal da fumaça de incêndios florestais (ou clara ou fortemente obscurecida).
• Divisão: Os dados foram divididos no nível de "cena" (com base em prefixos de nome de arquivo) para evitar vazamento espacial, resultando em uma divisão de 53/9/38 para treino/validação/teste.

Principais Contribuições

1. Primeira Aplicação de EDL à Severidade de Fumaça: Este é o primeiro trabalho a aplicar aprendizado profundo evidencial à classificação de fumaça de incêndios florestais, permitindo a decomposição da incerteza epistêmica e aleatória em uma única passagem direta.
2. Atenção Interpretável: A integração do CBAM fornece mapas de atenção espacial que localizam regiões de fumaça estruturalmente distintas, auxiliando analistas operacionais.
3. Capacidade de Predição Seletiva: O framework permite um fluxo de trabalho em níveis onde predições incertas podem ser filtradas ou sinalizadas para revisão humana, melhorando significativamente a precisão no subconjunto retido.
4. Incerteza como Métrica de Qualidade: O estudo demonstra que a vacuidade aumenta monotonicamente com a degradação da imagem (por exemplo, desfoque gaussiano), tornando-a um proxy prático para a qualidade da varredura.

Resultados Experimentais

• Precisão: O modelo completo alcança 93,8% de precisão ponderada no teste (91,1% não ponderada).
  • Nota: As linhas de base padrão de Entropia Cruzada (CE) (incluindo um SmokeNet reproduzido) alcançaram precisão não ponderada ligeiramente superior (94,4% e 93,8%, respectivamente), mas forneceram nenhuma estimativa de incerteza. Os autores argumentam que o trade-off de 2–3 pontos percentuais de precisão é justificado pela aquisição de sinais de confiabilidade.
• Calibração: O modelo demonstra excelente calibração com um Erro de Calibração Esperado (ECE) de 0,0274.
• Correlação de Incerteza:
  • Vacuidade e Dissonância mostram correlação positiva significativa com o erro de predição ($\rho \approx 0,26$ e $0,27$, respectivamente).
  • Comportamento da Classe Moderada: A classe "Moderada" exibe a maior vacuidade média (0,187), identificando corretamente essas cenas transitórias e ambíguas como casos de alta incerteza, enquanto as classes Leve e Pesada mostram vacuidade muito menor (0,043 e 0,095).
• Predição Seletiva: Ao reter apenas os 50% superiores de patches com a menor vacuidade (maior confiança), o modelo alcança 96,7% de precisão, uma melhoria de 5,6 pontos percentuais sobre o conjunto completo.
• Robustez e Modos de Falha:
  • Desfoque: O modelo permanece robusto ao desfoque gaussiano, com a vacuidade aumentando proporcionalmente à severidade do desfoque.
  • Contaminação por Nuvens: O modelo sofre de "falha silenciosa" sob cobertura de nuvens. A precisão cai para ~44% sem um aumento correspondente na vacuidade, pois nuvens opticamente espessas são espectralmente indistinguíveis da fumaça pesada no conjunto de recursos RGB+proxy.

Significado e Alegações

O artigo alega que o valor primário deste trabalho não reside em maximizar a precisão bruta, mas em permitir fluxos de trabalho operacionais acionáveis.

• Capacidade de Triagem: Diferentemente dos classificadores padrão, este modelo pode sinalizar entradas ambíguas (alta vacuidade) para revisão por especialistas e identificar evidências visuais genuinamente conflitantes (alta dissonância).
• Tratamento de Ambiguidade: O modelo identifica corretamente a classe de fumaça "Moderada" como a mais incerta, alinhando-se com a realidade física de que condições transitórias de fumaça são difíceis de distinguir.
• Limitações Reconhecidas: Os autores afirmam explicitamente que as métricas da classe "Moderada" têm alta variância devido a tamanhos de amostra pequenos e que o sistema atual não consegue distinguir nuvens de fumaça sem bandas espectrais adicionais (por exemplo, SWIR). Eles tratam a precisão relatada como um limite superior pendente de validação contra medições AERONET de verdade terrestre.

Em conclusão, o framework proposto oferece uma alternativa probabilística à detecção determinística de fumaça, fornecendo as métricas de confiança necessárias para que os respondedores de emergência priorizem recursos e gerenciem riscos de forma eficaz.