Neural-Parameterized Cellular Automata for Wildfire Spread

Este artigo introduz uma estrutura híbrida de aprendizado profundo que utiliza uma Rede Neural Convolucional Multiescala para parametrizar dinamicamente um modelo de Autômatos Celulares Probabilísticos em JAX, melhorando significativamente a precisão da previsão de propagação de incêndios florestais em incêndios de grande escala nos EUA ao capturar interações ambientais complexas enquanto mantém a interpretabilidade física.

O essencial

Imagine tentar prever como um incêndio florestal se espalhará por uma paisagem. Tradicionalmente, os cientistas usavam mapas rígidos baseados em regras que diziam: "O fogo só pode queimar aqui porque há árvores" e "O fogo não pode queimar ali porque é apenas grama ou terra". O problema, como este artigo aponta, é que a natureza não segue essas regras estritas. Incêndios reais frequentemente saltam sobre áreas "não queimáveis", como campos de grama ou até corpos d'água, devido a brasas voadoras, calor intenso ou vento, deixando grandes lacunas entre o que os antigos mapas dizem que deve queimar e o que realmente queima.

Os autores, uma equipe da Fujitsu Research, construíram um novo tipo de simulador de incêndios florestais que corrige isso misturando a física clássica com a IA moderna. Veja como o sistema deles funciona, explicado de forma simples:

1. O Jeito Antigo vs. O Jeito Novo

Pense nos modelos antigos como um roteiro rígido e pré-escrito. Eles possuem um conjunto fixo de regras (como "o fogo se espalha 10% mais rápido em uma colina") que se aplicam em todos os lugares, independentemente do clima ou terreno específico naquele exato momento. Se o mapa diz que uma área não tem árvores, o roteiro interrompe o fogo abruptamente, mesmo que o fogo realmente tenha saltado para lá.

O novo modelo é como um diretor inteligente que improvisa. Ele ainda utiliza um conjunto básico de regras físicas (o "roteiro"), mas possui um "assistente inteligente" (uma Rede Neural) que observa a paisagem e reescreve as regras em tempo real. Em vez de dizer "o fogo se espalha 10% mais rápido", o assistente diz: "Neste pedaço específico de grama, com este vento específico, o fogo deve se espalhar 40% mais rápido".

2. O "Cérebro" do Sistema (A Rede Neural)

O núcleo da invenção deles é uma Rede Neural Convolucional Multiescala (MS-CNN). Você pode pensar nisso como um par de óculos com três lentes diferentes:

• Lente 1: Olha para o panorama geral (grade 7x7) para ver o terreno e o clima de forma geral.
• Lente 2: Olha para o plano médio (grade 5x5).
• Lente 3: Olha para os detalhes finos (grade 3x3).

Ao observar a paisagem através dessas diferentes "lentes" simultaneamente, a IA aprende a gerar um conjunto único de instruções para cada centímetro quadrado do mapa. Ela cria um "fator de combustível" dinâmico que diz ao motor de fogo: "Embora isso pareça grama não queimável no mapa, o calor e o vento aqui fazem com que ela atue como combustível". Isso permite que o modelo preveja a propagação de incêndios em áreas que os mapas tradicionais afirmam serem seguras.

3. O "Motor" (Autômatos Celulares)

A propagação real do fogo acontece em uma grade de células (como um tabuleiro de xadrez gigante), que os autores chamam de Autômatos Celulares (CA).

• Os Estados: Cada quadrado no tabuleiro está ou Não Queimado, Queimando ou Queimado.
• A Física: O fogo se move de um quadrado em chamas para seus vizinhos com base na probabilidade. Se o vento estiver soprando em direção a um vizinho, a chance de ele pegar fogo aumenta. Se o vizinho estiver em uma colina íngreme, a chance aumenta.
• A Inovação: No passado, essas probabilidades eram números estáticos. Neste novo sistema, o "Cérebro" (a IA) atualiza constantemente essas probabilidades com base no ambiente local.

4. Aprendendo com os Erros (Treinamento)

O sistema não apenas adivinha; ele aprende. Os pesquisadores alimentaram o modelo com dados de seis grandes incêndios florestais no oeste dos EUA (principalmente na Califórnia, além de um no Oregon).

• O Processo: Eles deixaram o modelo observar o incêndio pelos primeiros 10 dias. Durante esse tempo, a IA ajustou seus "botões internos" para coincidir o mais próximo possível com o caminho real do fogo.
• A Previsão: Após 10 dias, eles congelaram as configurações da IA e pediram que ela previsse os próximos 10 dias.
• O Resultado: O modelo previu com sucesso o caminho do incêndio com alta precisão (mais de 60% de sobreposição com o fogo real) para a maioria dos eventos, inclusive em áreas onde o fogo queimou através de zonas "não queimáveis".

5. Por que Isso Importa (O "Fator de Combustível")

O avanço mais significativo é como o modelo lida com a "Máscara de Combustível do Dossel". Modelos tradicionais analisam dados de satélite e dizem: "Não há árvores aqui, portanto, não há fogo".

• A Realidade: No "Incêndio Brattain" de 2020, 65% do fogo queimou em áreas que o mapa dizia não ter árvores.
• A Solução: O novo modelo aprendeu um "Fator de Combustível" que não é apenas sobre árvores. Ele aprendeu que o vento, o calor e a cobertura do solo podem fazer com que qualquer coisa queime. Ele efetivamente aprendeu a ignorar as placas de "Não Queimar" no mapa quando a física da situação exigia isso.

6. Onde Ele Falha

O artigo é honesto sobre onde o sistema falha:

• Novas Ignições: Se um incêndio começa subitamente em um local completamente novo (uma "ignição secundária") longe do incêndio principal, o modelo o perde. O modelo sabe apenas como espalhar o fogo a partir de um fogo existente, não como criar novos incêndios do nada.
• Diferentes Estilos de Combate a Incêndio: O modelo foi treinado em incêndios onde os bombeiros tentavam conter o incêndio de forma agressiva. Quando testado em um incêndio em uma área selvagem onde os bombeiros usaram uma estratégia passiva ou de "deixar queimar", o modelo previu que o fogo se espalharia mais rápido do que realmente se espalhou. Ele aprendeu o padrão de "supressão agressiva" dos dados de treinamento e não conseguiu se adaptar à abordagem "passiva".

Resumo

Este artigo apresenta uma ferramenta híbrida que combina a confiabilidade das regras baseadas na física com a adaptabilidade do aprendizado profundo. Ele atua como um diretor inteligente que reescreve as regras de propagação do fogo a cada segundo com base no terreno e no clima locais, permitando prever incêndios florestais com mais precisão do que nunca, especialmente nas áreas complicadas onde os mapas tradicionais falham. É construído usando JAX, um framework de software que faz com que esses cálculos complexos sejam executados muito rapidamente no hardware de computação moderno.

Resumo técnico

Resumo Técnico: Autômatos Celulares Parametrizados por Redes Neurais para Propagação de Incêndios Florestais

Definição do Problema
Os modelos tradicionais de previsão de incêndios florestais, como as equações de Rothermel e simuladores operacionais como o FARSITE, dependem de parâmetros rígidos de baixa dimensão e mapas de combustível estáticos. Essas abordagens frequentemente subestimam a propagação do fogo, particularmente em topografias complexas ou quando os incêndios se propagam por áreas classificadas como carentes de vegetação combustível (por exemplo, campos ou arbustos fora da cobertura de dossel mapeada). Além disso, os modelos semiempíricos existentes não são diferenciáveis, tornando a calibração para perímetros de incêndio observados dependente de ajustes manuais ou de uma assimilação de dados em loop externo computacionalmente dispendiosa. Por outro lado, abordagens de aprendizado profundo puramente orientadas a dados frequentemente abandonam a estrutura de transição de estado explícita dos autômatos celulares (CA), sacrificando a interpretabilidade física pela flexibilidade de representação. Uma limitação sistêmica compartilhada por ambos os paradigmas é a dependência de métricas estáticas de vegetação (ex: Cobertura de Dossel e Densidade de Massa) para definir limites combustíveis, o que, conforme evidência observacional, leva a uma subestimação significativa da extensão do fogo.

Metodologia
Os autores propõem um framework híbrido de Autômatos Celulares (CA) Probabilísticos parametrizados por aprendizado profundo profundo, implementado em JAX, para abordar essas limitações. O modelo integra um motor de física com um gerador de parâmetros neural, criando um pipeline ponta a ponta diferenciável.

• Arquitetura: O núcleo é um CA Probabilístico de três estados (não queimado, em chamas, queimado) regido por regras de transição locais. Diferente de trabalhos anteriores de CA diferenciáveis que utilizam parâmetros escalares globais, este modelo emprega uma Rede Neural Convolucional Multiescala (MS-CNN) para gerar dinamicamente campos de parâmetros densos e espacialmente variáveis.
• Geração de Parâmetros Neurais: A MS-CNN processa um tensor de entrada de 13 canais composto por dados estáticos da LANDFIRE (elevação, declividade, aspecto, métricas de dossel, modelos de combustível), dados de vento dinâmicos (ERA5) e um embedding de combustível aprendível. A rede produz seis campos espacialmente variáveis: probabilidade de propagação base ($p_{base}$), escala de velocidade do vento ($\alpha_{w1}$), alinhamento de direção do vento ($\alpha_{w2}$), influência de declividade ($\alpha_s$), taxa de ignição ($\gamma$) e um fator de combustível unificado ($fuel\_factor$).
• Embedding de Combustível Aprendível: Esta inovação substitui as máscaras de combustibilidade de dossel codificadas rigidamente por uma matriz contínua de embedding de combustível aprendível. Isso permite que o modelo infira o potencial de propagação em regiões tradicionalmente classificadas como não combustíveis, capturando efetivamente processos de sub-grade como o transporte de brasas (ember spotting) e o pré-aquecimento térmico que os mapas de combustível padrão negligenciam.
• Motor de Física: O motor de CA computa o potencial de propagação direcional ($\phi$) baseado em modificadores de vento e declividade, agrega a exposição térmica cumulativa ($\lambda$) e atualiza os estados das células usando probabilidades de ignição agregadas por Poisson. O sistema opera em macroetapas de 24 horas, cada uma contendo 50 microetapas para uma resolução temporal mais fina.
• Objetivo de Treinamento: O modelo é treinado usando uma função de perda composta por cinco termos: Entropia Cruzada Binária Ponderada pela Fronteira (enfatizando a precisão do perímetro), Erro Quadrático Médio, Restrição de Área (garantindo a conservação da área total queimada), IoU Suave (Soft Intersection-over-Union) para fidelidade geométrica da forma e MSE Agrupado (Pooled MSE) para correspondência espacial de granularidade grossa.

Principais Contribuições

1. Parâmetros Espacialmente Variáveis: A substituição de parâmetros escalares globais por campos densos e espacialmente variáveis gerados por uma MS-CNN, permitindo que o modelo capture interações ambientais heterogêneas.
2. Embedding de Combustível Aprendível: A introdução de um $fuel\_factor$ aprendível que supera as máscaras estáticas de combustibilidade derivadas do dossel, permitindo a previsão da propagação do fogo em áreas carentes de combustível de dossel mapeado.
3. Aprendizado Conjunto de Múltiplos Eventos: Ao contrário de trabalhos anteriores que exigem calibração independente por evento, este modelo aprende um único conjunto de pesos de rede e parâmetros de embedding conjuntamente através de seis eventos distintos de incêndios florestais, demonstrando representações ambientais generalizáveis.
4. Framework Diferenciável: A implementação em JAX permite aceleração por hardware e calibração de parâmetros baseada em gradiente, facilitando a assimilação de dados eficiente.

Resultados
O modelo foi avaliado em seis grandes incêndios florestais no oeste dos Estados Unidos (cinco na Califórnia, um no Oregon). O protocolo de avaliação consistiu em uma janela de 10 dias de assimilação de dados, onde o modelo foi ajustado aos perímetros observados, seguido por uma previsão de 72 horas (e até 20 dias) com parâmetros congelados.

• Desempenho: O modelo manteve uma Interseção sobre União (IoU) superior a 0,6 em horizontes de previsão de 72 horas para cinco dos seis eventos após o período de calibração.
• Vantagem Comparativa: O modelo superou o baseline de CA diferenciável de Xia e Cheng (2025), que relatou valores de pico de IoU de 0,408 e 0,525 em eventos específicos, enquanto o modelo proposto sustentou IoU > 0,6 ao longo de todo o horizonte de 20 dias para esses mesmos eventos.
• Análise de Eventos Específicos:
  • Bear 2020 & Chimney 2016: Alcançaram IoU elevado (0,74 e 0,66, respectivamente), com o Chimney demonstrando a capacidade do modelo de prever a propagação em áreas fora dos limites de combustível mapeados (41,3% do fogo queimou fora da vegetação).
  • Brattain 2020: Previu com sucesso a propagação em um ecossistema de savana de zimbro (sagebrush-juniper) no Oregon, com 65,3% da pegada do fogo ocorrendo fora da vegetação de dossel mapeada.
  • Ferguson 2018: Mostrou desempenho inicial inferior (IoU ~0,15) devido a uma ignição secundária independente não modelada pelo CA contagioso, mas recuperou para IoU > 0,6 uma vez que as frentes se fundiram.
  • Buck 2017: Exibiu precisão reduzida (IoU 0,61) atribuída a uma incompatibilidade nos regimes de supressão; o fogo foi gerenciado com táticas de contenção passiva em uma área selvagem, divergindo dos padrões de supressão ativa implicitamente aprendidos dos outros eventos de treinamento.

Significância e Alegações
O artigo alega que esta arquitetura híbrida consegue, com sucesso, unir a lacuna entre a interpretabilidade física e a flexibilidade orientada a dados. Ao manter o substrato de CA probabilístico de três estados, o modelo preserva a conservação de massa e a dinâmica de ignição, enquanto utiliza redes neurais para inferir interações ambientais complexas e não lineares. Os autores afirmam que o sistema aborda a falha sistêmica das máscaras de combustível estáticas, permitendo a previsão do crescimento do fogo em regiões anteriormente consideradas não combustíveis pelos métodos padrão.

Os autores explicitamente apontam limitações: o modelo não simula explicitamente o transporte de brasas (ember spotting) além da vizinhança de Moore, ignições secundárias espontâneas ou táticas de supressão ativa. Consequentemente, o $fuel\_factor$ aprendido atua como uma quantidade efetiva que funde a verdadeira propagação de combustível com a impressão desses processos não modelados. A avaliação está geograficamente concentrada na Califórnia e adjacências do Oregon, e embora a metodologia seja geograficamente agnóstica, a transferência regional para biomas boreais ou tropicais permanece não testada. O artigo posiciona este trabalho como um passo em direção a sistemas operacionais de gestão de desastres, mas evita reivindicar aplicabilidade universal sem validação regional adicional.