Spatio-Temporal Wildfire Spread Prediction in Canada using a Video Swin-Hybrid-U-Net and Satellite Imagery

Resumo Técnico: Predição de Propagação de Incêndios Florestais Espaçotemporais no Canadá utilizando uma Video Swin-Hybrid-U-Net

Declaração do Problema
Os regimes de incêndios florestais no Canadá estão escalando em frequência e intensidade, representando ameaças severas aos ecossistemas e à infraestrutura. Embora os simuladores tradicionais baseados em física (ex: FARSITE) ofereçam interpretabilidade, eles frequentemente exigem um ajuste extensivo de parâmetros e são computacionalmente intensivos. Por outro lado, as abordagens existentes de aprendizado profundo frequentemente carecem de escalabilidade ou falham em capturar efetivamente a dinâmica temporal da propagação do fogo, particularmente dentro do contexto ambiental único das florestas boreais do Canadá. O desafio central abordado é a necessidade de um framework de aprendizado profundo escalável, capaz de modelar dependências espaço-temporais complexas em dados ambientais para prever com precisão a incidência de incêndios no dia seguinte.

Metodologia
O estudo propõe um novo framework de aprendizado profundo que enquadra a predição de propagação de incêndios florestais como uma tarefa de segmentação semântica de vídeo para imagem. O modelo ingere uma sequência de três dias de dados ambientais multicanais para prever uma máscara de fogo binária para o dia subsequente.

• Pipeline de Dados: O conjunto de dados é curado exclusivamente de repositórios públicos via Google Earth Engine (GEE), cobrindo os principais eventos de incêndios florestais no Canadá de 2014 a 2023. Os dados são processados para uma resolução espacial de 500m (224x224 pixels).

  • Variáveis Dinâmicas (Variantes no tempo): Inclui Máscaras de Fogo (MODIS), Dados Meteorológicos (ECMWF/ERA5-LAND: temperatura, precipitação, componentes do vento amostrados em intervalos de 6 horas) e Umidade do Solo (GLDAS). Estes fornecem alta resolução temporal para capturar padrões diurnos.
  • Variáveis Estáticas (Invariantes no tempo): Inclui Topografia (Elevação, Declividade, Aspecto de NRCan/CDEM), Vegetação (NDV de NOAA/VIIRS) e Densidade Populacional (CIESIN/GPW). Estas são replicadas ao longo da sequência de três dias de entrada.
  • Tensor de Entrada: Os dados são estruturados como um tensor 3D $(T, C, H, W)$ onde $T=3$ dias, $C=23$ canais (18 dinâmicos + 5 estáticos) e $H, W=224$.

• Arquitetura (Video Swin-Hybrid-U-Net):

  • Codificador Espaço-Temporal: Utiliza um backbone 3D Swin Transformer. Diferente dos modelos que achatam o tempo em canais, este codificador processa a entrada como um volume 3D unificado. Ele emprega atenção de janela 3D deslocada (SW-MSA) para modelar eficientemente as relações através do espaço e do tempo simultaneamente, capturando dependências de longo alcance e a evolução dinâmica.
  • Decodificador Convolucional: Um decodificador estilo U-Net utiliza convoluções transpostas 3D para realizar o upsampling das características para a resolução original. Ele integra conexões de salto (skip connections) do codificador para recuperar detalhes espaciais refinados. O tensor de características 3D final é agregado ao longo da dimensão temporal via média para produzir uma máscara de segmentação 2D.
  • Função de Perda: Para lidar com o desequilíbrio severo de classes (pixels de fogo vs. pixels não-fogo), o modelo é treinado usando uma soma ponderada de Entropia Cruzada Binária (BCE) e Perda de Dice ($\lambda_1 = \lambda_2 = 0.5$).

• Treinamento: O modelo foi treinado de ponta a ponta usando o otimizador AdamW com um cronograma de Cosine Annealing Warm Restarts. Experimentos foram repetidos cinco vezes com diferentes sementes aleatórias para garantir a robustez.

Principais Contribuições

1. Arquitetura Inovadora com Atenção Espaço-Temporal: O artigo introduz uma arquitetura Video Swin-U-Net que trata a entrada de dados como um volume de vídeo 3D. Este design se afasta dos modelos de convolução 2D ou de atenção puramente espacial, permitindo o aprendizado explícito de dependências complexas de longo alcance através do espaço e do tempo.
2. Aprendizado de Características Temporais Profundas: O modelo aproveita uma sequência de três dias com granularidade temporal alta (variáveis amostradas quatro vezes ao dia). Isso permite a captura de padrões diurnos transitórios em variáveis meteorológicas, que são críticos para o comportamento do fogo, mas frequentemente negligenciados por modelos que utilizam entradas diárias.
3. Framework de Acesso Público: Todo o pipeline depende de dados de código aberto do GEE, garantindo que a metodologia seja transparente, reproduzível e escalável para uma ferramenta operacional em todo o Canadá, abordando a barreira dos dados proprietários nos sistemas existentes.

Resultados
A proposta Hybrid Video Swin-U-Net foi avaliada contra três baselines: uma U-Net 2D padrão, uma Swin U-Net 2D e uma Video Swin U-Net pura (usando blocos 3D tanto no codificador quanto no decodificador).

• Desempenho Quantitativo: O modelo Híbrido alcançou desempenho superior em todas as métricas no conjunto de teste retido:
  • F1-Score: 0.6550 (vs. 0.6003 para a segunda melhor Video Swin U-Net e 0.4528 para a 2D Swin U-Net).
  • Precisão: 0.6328.
  • Recall: 0.6791.
• Análise Topográfica: O desempenho variou com o terreno. O modelo mostrou uma forte correlação positiva entre a declividade da encosta e a precisão (F1-Score aumentando de ~0.62 em terreno plano para ~0.72 em terreno íngreme). A elevação mostrou uma relação não linear, com maior precisão em extremos baixos e altos, mas com uma queda em elevações médias.
• Análise de Umidade do Solo: O modelo demonstrou robustez em várias condições de umidade do solo, mantendo F1-Scores consistentes (0.64–0.68) através de diferentes faixas de umidade para os três dias de entrada, indicando um aprendizado eficaz da dinâmica de disponibilidade de combustível.
• Análise Qualitativa: A inspeção visual revelou a capacidade do modelo de capturar formas e contornos complexos de fogo, produzindo contornos mais suaves em comparação com as máscaras de verdade fundamental (ground truth) serrilhadas.

Significância e Alegações
O artigo afirma que o uso explícito de mecanismos de atenção espaço-temporal é primordial para a previsão ambiental dinâmica. Ao processar o tempo como uma dimensão distinta, em vez de um canal achatado, o modelo supera as limitações das abordagens 2D em distinguir o sequenciamento temporal de características espaciais. O estudo demonstra que arquiteturas modernas de visão computacional, especificamente aquelas adaptadas para dados de vídeo, podem avançar significativamente a predição de riscos ambientais como incêndios florestais.

Os autores posicionam este trabalho como um passo à frente na aplicação de técnicas de estado da arte à dinâmica de incêndios florestais no Canadá, oferecendo um framework transparente e reproduzível que captura a interação única entre clima, topografia e combustível. Os resultados sugerem que tais modelos podem fornecer previsões espacialmente explícitas e precisas, essenciais para alocação de recursos e planejamento de evacuação. O artigo conclui modestamente, observando limitações como a dependência de dados de satélite óptico (susceptíveis à cobertura de nuvens) e a redundância de replicar canais estáticos, sugerindo direções futuras como horizontes de predição mais longos e uma integração melhor de dados estáticos.