Machine Learning Prediction of Early-Season Wildfire Risk in Ghana’s Guinea Savannah Using Multi-Source Data and CMIP6 Climate Scenarios

Resumo Técnico: Predição de Risco de Incêndios Florestais no Início da Estação via Aprendizado de Máquina na Savana da Guiné, Gana

Definição do Problema
Incêndios florestais na zona da Savana da Guiné, em Gana, afetam anualmente 2 a 3 milhões de hectares, principalmente durante a estação seca (novembro–março), com impactos significativos na agricultura, biodiversidade e meios de subsistência. Apesar da gravidade da questão, Gana carece de uma ferramenta de perigo de incêndio localmente calibrada, especificamente desenhada para o norte da savana. Os padrões globais existentes, como o Índice de Tempo de Fogo (FWI) canadense, são inadequados para esta região devido a incompatibilidades nas características do combustível (predomínio de gramíneas versus floresta boreal), baixa densidade de estações meteorológicas e pela omissão de fontes de ignição antropogênicas (que representam >90% dos incêndios), além da negligência em relação à umidade do combustível vivo e à memória da umidade do solo.

Metodologia
O estudo desenvolveu e avaliou uma estrutura de aprendizado de máquina (ML) para predizer o risco de incêndio para a janela de novembro a janeiro, utilizando um conjunto de dados em grade de 1 km abrangendo o período de 2001–2024.

• Integração de Dados: O modelo integra dados de múltiplas fontes, incluindo áreas queimadas do MODIS e detecções de fogo ativo do FIRMS, variáveis climáticas ERA5-Land, precipitação CHIRPS, umidade do solo FLDAS (quatro camadas), produtos de vegetação MODIS (NDVI, EVI, LAI, FPAR), topografia SRTM e variáveis de acesso humano (WorldPop, GRIP, GHSL, luzes noturnas).
• Engenharia de Atributos (Feature Engineering): Vinte e um atributos base foram expandidos para 123 características. Isso incluiu variáveis defasadas (lagged) de 1 a 12 meses para capturar condições antecedentes, estatísticas móveis (janelas de 3, 6 e 12 meses), anomalias climáticas, índices de seca (SPI, SPEI) e indicadores sazonais.
• Estratégia de Amostragem: Para lidar com o severo desequilíbrio de classes na grade completa (prevalência de fogo de aproximadamente 1,7%), foi criada uma amostra estratificada de cerca de 500.000 células-mês com uma taxa de fogo de ~33% para o desenvolvimento do modelo. O conjunto de dados foi dividido temporalmente: treinamento (2001–2016), validação (2017–2019) e teste (2020–2024).
• Algoritmos: Cinco algoritmos foram comparados: Random Forest, XGBoost, LightGBM, CatBoost e um Perceptron Multicamadas (MLP). Os hiperparâmetros foram ajustados usando Optuna com validação cruzada espacial para mitigar o vazamento de dados (leakage).
• Métricas de Avaliação: A discriminação foi avaliada via AUC-ROC (independente de prevalência). Métricas dependentes de limiar (Precisão, F1, MCC, escore de Brier) foram reportadas como condicionadas à amostra e ajustadas para a prevalência operacional (~1,7%), onde aplicável. A calibração foi avaliada usando escala de Platt e regressão isotônica.
• Interpretabilidade: Valores SHAP (SHapley Additive exPlanations) foram utilizados para quantificar a importância e as interações dos atributos. Um estudo de ablação espacial foi realizado para distinguir entre o sinal preditivo genuíno e a "memorização espacial" por variáveis estáticas.
• Projeções Futuras: Cenários climáticos CMIP6 com correção de viés (SSP2-4.5 e SSP5-8.5) de dois Modelos de Sistema Terrestre (MPI-ESM1-2-LR e MRI-ESM2-0) foram usados para projetar o risco no final do século, mantendo as variáveis humanas constantes.

Principais Resultados

• Desempenho do Modelo: Modelos baseados em árvores demonstraram alta discriminação no conjunto de teste temporal, com valores de AUC variando entre 0,960 e 0,962. O LightGBM alcançou o maior AUC (0,9621), seguido de perto pelo XGBoost (0,9615) e CatBoost (0,9611). O MLP apresentou desempenho ligeiramente inferior (0,9501). Testes de DeLong indicaram que o XGBoost superou significativamente o Random Forest, mas as diferenças entre os três principais modelos de árvore não foram estatisticamente significativas.
• Comparação com o FWI: Os modelos de ML com atributos completos superaram significativamente o FWI canadense agregado mensalmente (AUC 0,68), alcançando um ganho absoluto de AUC de aproximadamente 0,28. Os autores observam que este ganho reflete a inclusão da umidade do solo, vegetação e fatores humanos, e não apenas o algoritmo de ML em si.
• Importância dos Atributos: Nenhuma variável única dominou. Os principais impulsionadores incluíram amplitude de temperatura, densidade populacional, pressão de superfície, memória de precipitação (defasada e móvel), estado da vegetação e memória da umidade do solo. A análise SHAP revelou relações não lineares e limiares, particularmente para a densidade populacional (limiar em -0,35 unidades padronizadas) e o atraso da precipitação.
• Memorização Espacial: Um estudo de ablação removendo preditores espaciais estáticos (elevação, declividade, distância de estradas/assentamentos) mostrou que, embora essas variáveis contribuam, sua remoção reduziu o AUC em apenas 0,013 (de 0,9439 para 0,9309). Em alguns casos, a remoção de variáveis estáticas específicas melhorou o desempenho, sugerindo redundância. Isso indica que o modelo depende primordialmente de variáveis ambientais dinâmicas, em vez de apenas memorizar localizações.
• Calibração: Embora a discriminação tenha sido alta, a calibração de probabilidade inicial variou. O Random Forest exigiu escala de Platt para melhorar a confiabilidade, enquanto os modelos de árvores potencializadas (XGBoost, CatBoost) foram inicialmente melhores em termos de calibração.
• Projeções Futuras: Sob os cenários CMIP6, projeta-se um aumento no risco de incêndio no final do século (2080–2099) de 15–16% sob o SSP2-4.5 e de 34–36% sob o SSP5-8.5. Estas são apresentadas como experimentos de sensibilidade, observando que os conjuntos de árvores não podem extrapolar além dos intervalos de dados de treinamento e que os impulsionadores humanos foram mantidos constantes.

Significância e Alegações
O artigo posiciona o framework desenvolvido como um protótipo de pesquisa para triagem de risco de incêndios florestais no início da estação, e não como um sistema de alerta operacional totalmente validado. Sua principal significância reside em demonstrar que uma abordagem de ML de múltiplas fontes, localmente calibrada, pode superar substancialmente os índices padrão baseados apenas em clima no contexto da savana da África Ocidental.

As principais contribuições incluem:

1. Demonstração do valor da integração de múltiplas fontes: Mostrando que combinar clima, vegetação, umidade do solo e fatores humanos produz uma discriminação superior em comparação com índices baseados apenas em clima.
2. Abordagem da preocupação com a "memorização espacial": Fornecendo evidências empíricas, através de estudos de ablação, de que a habilidade do modelo é impulsionada amplamente por processos ambientais que variam temporalmente (produção e secagem de combustível) em vez de codificação geográfica estática.
3. Identificação de limiares não lineares: Revelando limiares críticos na densidade populacional e na precipitação antecedente que definem regimes de risco de incêndio, oferecendo insights para gestão direcionada.
4. Estabelecimento de uma base para trabalhos futuros: O estudo chama explicitamente para que o futuro emprego operacional inclua a avaliação na grade completa, calibração sob a verdadeira prevalência e a incorporação de cenários socioeconômicos dinâmicos para projeções climáticas.

Os autores mantêm um tom modesto, enfatizando que o modelo atual é um protótipo que requer validação prospectiva adicional, validação cruzada de blocos espaciais e testes externos independentes antes da implementação operacional.