Evaluating AlphaEarth and TESSERA Geospatial Embeddings for Machine Learning-Based Burned Area Mapping in Portugal

Resumo Técnico: Avaliação dos Embeddings Geoespaciais AlphaEarth e TESSERA para Mapeamento de Áreas Queimadas em Portugal

Definição do Problema
O mapeamento preciso de áreas queimadas é crítico para a avaliação de danos por incêndios florestais, gestão pós-fogo e análise de regimes de fogo, particularmente em paisagens mediterrânicas propensas a incêndios como Portugal. As abordagens tradicionais baseadas em satélite dependem de índices espectrais (ex: dNBR) derivados de imagens ópticas pareadas pré e pós-fogo. Embora eficazes, estes métodos são operacionalmente exigentes, requerendo a seleção de imagens específicas para cada evento, máscara de nuvens, composição temporal e diferenciação para cada incêndio individual. Conjuntos de dados de embeddings geoespaciais recentes, como o AlphaEarth e o TESSERA, oferecem representações compactas e prontas a usar de dados de observação da Terra que poderiam potencialmente apoiar a classificação com menores requisitos de processamento. No entanto, o seu desempenho relativo aos fluxos de trabalho espectrais estabelecidos e a sua capacidade de generalização para eventos de fogo não observados permanecem insuficientemente avaliados.

Metodologia
O estudo avaliou os embeddings AlphaEarth e TESSERA contra uma linha de base espectral Sentinel-2 para classificação de áreas queimadas baseada em aprendizagem automática (machine learning). O quadro experimental utilizou 20 eventos de incêndio selecionados do catálogo oficial de áreas queimadas do ICNF de 2024 para Portugal, estratificados por tamanho de incêndio para garantir um conjunto de dados equilibrado.

• Amostragem de Dados: Foi utilizado um design de amostragem binária baseado em pontos. Amostras queimadas (classe 1) foram geradas dentro dos perímetros oficiais dos incêndios, enquanto amostras não queimadas (classe 0) foram extraídas de um buffer externo adaptativo escalonado de acordo com a área do perímetro do incêndio para manter um suporte espacial comparável. A densidade de amostragem foi proporcional ao tamanho do incêndio, limitada entre 100 e 5.000 pontos por classe.
• Stacks de Características (Feature Stacks): Três representações de características foram extraídas para os pontos amostrados:
  1. AlphaEarth: Embeddings geoespaciais anuais de 64 dimensões (variantes de 2024 e 2025).
  2. TESSERA: Embeddings espectro-temporais de 128 dimensões derivados de séries temporais de satélite (variantes de 2024 e 2025).
  3. Linha de Base Espectral Sentinel-2: Uma stack de 45 preditores que compreende 10 bandas originais, 5 índices espectrais (NDVI, NBR, NBR2, NDMI, BSI) e as suas diferenças temporais (janelas pré e pós-fogo) para o ano de fogo de 2024.
• Aprendizagem Automática: Três classificadores supervisionados — Random Forest (RF), Support Vector Machine (SVM) e Gradient Boosting (GB) — foram avaliados.
• Estratégia de Validação: Foi utilizada uma validação cruzada rigorosa de cinco dobras (five-fold GroupKFold), agrupando as amostras por fire_id. Isto garantiu que nenhuma amostra de um incêndio específico aparecesse tanto no conjunto de treino como no de teste, proporcionando uma medida conservadora de generalização para eventos de fogo não observados.
• Análise: O desempenho foi avaliado através de F1-score, precisão equilibrada (balanced accuracy), precisão (precision), recall, ROC-AUC e uma Interseção sobre União (IoU) baseada em células. A importância das características foi analisada utilizando RF e LIME (para a linha de base espectral), e mapas de previsão espacial foram gerados para dois grandes eventos de incêndio utilizando o melhor modelo.

Principais Resultados

• Hierarquia de Desempenho: A linha de base espectral Sentinel-2 alcançou o desempenho global mais elevado, com um F1-score médio de 0,895 ± 0,027. Entre as representações baseadas em embeddings, o TESSERA superou consistentemente o AlphaEarth. O TESSERA (SVM) alcançou um F1-score médio de 0,860 ± 0,046, enquanto o AlphaEarth (SVM) obteve 0,812 ± 0,083.
• Desempenho dos Classificadores: O SVM geralmente apresentou os melhores resultados em todas as stacks de características, embora a diferença entre os classificadores tenha sido menor do que a diferença entre as representações de características.
• Estabilidade Temporal: Os embeddings do ano do fogo (2024) superaram significativamente os embeddings do ano seguinte (2025). Para o TESSERA, o F1-score caiu de 0,860 para 0,796 ao utilizar dados de 2025; para o AlphaEarth, caiu de 0,812 para 0,722.
• Importância das Características:
  • TESSERA: Mostrou baixa estabilidade temporal na importância das características, com apenas uma dimensão partilhada entre os rankings do top-15 de 2024 e 2025, sugerindo uma elevada sensibilidade a mudanças espectro-temporais específicas do ano.
  • AlphaEarth: Demonstrou maior consistência temporal, com nove dimensões partilhadas nos rankings do top-15.
  • Linha de Base Sentinel-2: A análise LIME identificou o Normalized Burn Ratio diferenciado (dNBR) como a variável mais preditiva, seguido pelo NBR2 pós-fogo e bandas do infravermelho próximo, confirmando o fundamento físico da abordagem espectral.
• Mapeamento Espacial: O modelo TESSERA/SVM produziu padrões espaciais coerentes de áreas queimadas para dois grandes eventos de incêndio (8.310 ha e 299 ha). Embora o modelo tenha reproduzido extensões espaciais amplas, algumas áreas previstas estenderam-se para além dos perímetros oficiais, coincidindo ocasionalmente com ocorrências de incêndios próximos, em vez de representar erros de comissão puros.

Significado e Alegações
O artigo conclui que os embeddings geoespaciais são complementos escaláveis promissores em vez de substitutos diretos para os fluxos de trabalho espectrais.

• Compromisso Operacional: Embora a linha de base espectral Sentinel-2, desenhada especificamente para o propósito, continue a ser a opção superior quando as datas de fogo precisas e as imagens adequadas estão disponíveis, o TESSERA aproxima-se deste desempenho sem exigir a diferenciação de imagens específicas para cada evento. Isto torna o TESSERA particularmente útil para cenários onde uma única camada de características anual deve suportar a classificação de múltiplos eventos de fogo.
• Limitações: O estudo observa que os embeddings ainda não igualam a precisão das linhas de base espectrais. Além disso, a avaliação foi limitada a 20 eventos de um único ano, e a estratégia de validação não testou a transferibilidade temporal entre diferentes épocas de incêndios. O IoU reportado é uma aproximação baseada em pontos de amostragem, não uma comparação completa de raster-para-polígono.
• Direções Futas: Os autores sugerem que o trabalho futuro deverá focar-se na validação completa de raster-para-perímetro, na avaliação da transferibilidade temporal e na exploração de stacks de características híbridas que combinem embeddings com características espectrais interpretáveis para equilibrar desempenho, escalabilidade e interpretabilidade.