Land cover and flood type govern the detection limits of satellite-based flood mapping across diverse global flood events

Resumo Técnico: Cobertura da Terra e Tipo de Inundação Regem os Limites de Detecção de Mapeamento de Inundações Baseado em Satélite

Declaração do Problema
As inundações representam o fenômeno meteorológico natural mais frequente e devastador globalmente, necessitando de mapeamento de inundação via satélite preciso e oportuno para a resposta a desastres. Embora os modelos de fundação geoespaciais (GeoFMs), pré-treinados em vastos arquivos de satélite, ofereçam promessa de transferibilidade geográfica, sua confiabilidade operacional em eventos diversos e não vistos permanece não caracterizada. As avaliações existentes são frequentemente limitadas a condições de benchmark controladas, regiões fora da distribuição (OOD) restritas e validação de referência única, falhando em considerar as complexidades de engenharia de um implantação de ponta a ponta, inconsistências de definição entre produtos de referência e modos de falha dependentes de contexto impulsionados pela cobertura da terra e mecanismos de inundação.

Metodologia
Este estudo implementou o modelo de fundação Prithvi-EO-2.0 (um Vision Transformer temporal de 600 milhões de parâmetros pré-treinado em 4,2 milhões de chips HLS e ajustado com Sen1Floods11) em 19 eventos de inundação OOD abrangendo seis continentes, oito zonas climáticas e seis mecanismos de inundação (2017–2025). A avaliação empregou uma metodologia de "red-teaming" para identificar e categorizar sistematicamente os modos de falha em todo o pipeline de processamento, desde a aquisição de dados até a validação.

Os componentes metodológicos principais incluíram:

• Validação de Dupla Referência: As previsões foram validadas contra dois produtos operacionais independentes: o Copernicus Global Flood Monitoring (GFM), que mapeia águas de inundação transitórias usando SAR, e o OPERA Dynamic Surface Water Extent (DSWx-HLS), que mapeia o total de água superficial usando dados ópticos. Esta abordagem considerou as diferenças de definição entre "inundação" e "água superficial".
• Pós-processamento Baseado em Física: Um pipeline de refinamento de quatro estágios foi aplicado para mitigar falsos positivos sistemáticos, incluindo correção de sombra de terreno, filtragem de aerossóis atmosféricos, máscara de vegetação e máscara de corpos d'água permanentes.
• Análise Estratificada: O desempenho foi analisado por tamanho de inundação, zona climática de Köppen, mecanismo de inundação e classe de cobertura da terra da ESA WorldCover.
• Análise Espacial por Nível de Patch: Uma análise de componentes conectados foi realizada em 79.885 patches de inundação para caracterizar o recall de detecção como uma função do tamanho e fragmentação do patch.
• Red-Teaming Iterativo: O pipeline passou por testes adversários iterativos para documentar 23 modos de falha distintos, distinguindo entre limitações de capacidade do modelo e erros de engenharia de pipeline.

Principais Resultados

• Desempenho Geral: O modelo alcançou um F1 score médio de 0,61 (IoU 0,46) contra o GFM e 0,65 (IoU 0,49) contra o DSWx nos 19 eventos. Dez dos 19 eventos alcançaram detecção operacionalmente útil (F1 > 0,7) sem ajuste fino específico para o evento.
• Dependência de Cobertura da Terra e Tipo de Inundação: A precisão da detecção foi fortemente governada pela cobertura da terra e pelo tipo de inundação.
  • Alto Desempenho: Cultivos agrícolas renderam a maior concordância (IoU=52%, F1=69% contra GFM) e eventos fluviais mostraram a detecção mais forte (F1=0,69).
  • Baixo Desempenho: Cobertura arbórea e áreas urbanizadas mostraram detecção quase nula (IoU=4%) independentemente do mecanismo de inundação. Eventos de ciclones tropicais apresentaram desempenho insatisfatório devido à cobertura de nuvens e padrões de inundação complexos.
• Pipeline vs. Capacidade do Modelo: O red-teaming identificou 23 modos de falha, sendo que a aquisição de dados e o pré-processamento foram responsáveis por 42% das interrupções do pipeline. A validação inicial contra o OPERA DSWx para o evento do Brasil rendeu precisão e recall de aproximadamente 4,9% e 4,6%, respectivamente. Após resolver sistematicamente as falhas de pipeline (ex: desalinhamento espacial, incompatibilidade temporal, inconsistência de definição), o desempenho melhorou para 82% de precisão e 72% de recall, demonstrando que os erros iniciais eram dominados pela implementação do pipeline em vez da capacidade do modelo.
• Fragmentação e Tamanho de Patch: O recall de detecção aumentou monotonicamente com o tamanho do patch. Eventos com um índice de fragmentação abaixo de 5,0 alcançaram consistentemente F1 scores acima de 0,7, enquanto aqueles que excederam 15,0 não ultrapassaram 0,5. Patches pequenos e isolados (<0,1 km²) foram frequentemente perdidos.
• Discrepâncias de Referência: A validação de dupla referência revelou que o erro aparente do modelo refletia inconsistências de definição entre o GFM (apenas inundação) e o DSWx (total de água superficial) em vez de falha de detecção. Por exemplo, o modelo detectou superfícies agrícolas saturadas que o GFM classificou como não inundadas.

Significância e Alegações
Os autores afirmam que este estudo fornece a primeira avaliação sistemática de um modelo de fundação geoespacial implantado operacionalmente para o mapeamento de inundações através de 19 eventos OOD distribuídos globalmente. A significância do trabalho reside em:

1. Estabelecer Limites de Detecção: Os achados definem limites de detecção dependentes do ambiente, identificando cultivos agrícolas, pastagens e terrenos nus como o envelope de detecção confiável, enquanto a cobertura arbórea e áreas urbanas representam os limites estruturais da abordagem óptica de 30m.
2. Taxonomia de Falha Operacional: Ao aplicar o red-teaming, o estudo produz a primeira taxonomia de modo de falha para o mapeamento de inundações baseado em GeoFM, revelando que a engenharia de pipeline domina o erro inicial sobre a capacidade do modelo.
3. Framework de Dupla Referência: O estudo demonstra a necessidade de validar contra múltiplos produtos de referência para distinguir entre falha do modelo e discrepâncias de definição.
4. Orientação Prática: Os autores fornecem recomendações acionáveis para profissionais, sugerindo que o Prithvi-EO-2.0 pode ser implantado com confiança para eventos fluviais e de ruptura de barragem sobre terreno aberto, mas não deve ser usado como fonte única de detecção para inundações repentinas ou eventos de ciclones tropicais em ambientes vegetados ou urbanos.

O artigo conclui que, embora o Prithvi-EO-2.0 ofereça detecção operacionalmente confiável para regimes específicos, as avaliações atuais de IA de inundações confinadas a ambientes de benchmark subestimam a complexidade de engenharia da implantação operacional. O estudo postula que resolver as lacunas de detecção restantes requer integração multissensorial (óptico e SAR) e diversificação dos dados de treinamento rotulados através de regimes de inundação sub-representados, em vez de mudanças arquitetônicas no próprio modelo de fundação.