Temporal evaluation of statistical and machine-learning models for forecasting wildfire carbon emissions in the Canadian boreal forest

Resumo Técnico: Avaliação Temporal de Modelos Estatísticos e de Aprendizado de Máquina para a Previsão de Emissões de Carbono por Incêndios Florestais na Floresta Boreal Canadense

Definição do Problema
As emissões de carbono por incêndios florestais na floresta boreal canadense representam uma fonte significativa de incerteza nas avaliações do ciclo de carbono global devido à alta variabilidade espaço-temporal e ao potencial de intensificação abrupta durante temporadas de incêndios extremas. Embora modelos baseados em processos (ex: GFED, CONSUME) sejam o padrão para estimar emissões, eles frequentemente enfrentam desafios relacionados à intensidade computacional, dependência de dados de entrada de alta resolução e incertezas no mapeamento de combustível e fatores de emissão. Esses modelos podem subestimar emissões de incêndios de combustão lenta (smoldering) ou falhar em capturar a variabilidade localizada no terreno heterogêneo da boreal. Por outro lado, embora abordagens estatísticas e de aprendizado de máquina (ML) ofereçam alternativas baseadas em dados, os métodos tradicionais de validação frequentemente dependem de validação cruzada aleatória, o que pode introduzir vazamento temporal (temporal leakage) e superestimar o desempenho do modelo quando aplicado à previsão de séries temporais. Há uma necessidade de um arcabouço robusto que avalie a generalização dos modelos tanto em anos de incêndios típicos quanto em anos extremos, utilizando separação temporal estrita.

Metodologia
O estudo desenvolveu e avaliou um arcabouço validado temporalmente para a previsão mensal por célula de grade das emissões de carbono por incêndios florestais em toda a floresta boreal canadense.

• Fontes de Dados: A variável alvo foi a emissão mensal de carbono por incêndios florestais derivada do Global Fire Emissions Database (GFED) versão 4.1s. Os preditores climáticos foram obtidos do produto de reanálise ERA5 (temperatura, temperatura do solo, precipitação, vento, profundidade da neve) a uma resolução de 0,25° (~31 km).
• Domínio do Estudo: A análise foi restrita à floresta boreal canadense usando uma máscara espacial derivada de arquivos de formas (shapefiles) de ecozonas.
• Design de Validação: Foi empregada uma estratégia de validação temporal rigorosa e "resistente a vazamentos". Cinco anos de retenção (holdouts) anuais independentes (2019–2023) foram usados para teste. Para cada ano de teste $Y$, os modelos foram treinados com dados de 2003 até $Y-1$. Crucialmente, o ajuste de hiperparâmetros, o pré-processamento e o ajuste do modelo foram temporalmente separados do ano de teste para evitar o viés de antecipação (look-ahead bias). Uma divisão cronológica interna (80/20) dentro do bloco de treinamento foi utilizada para a seleção de hiperparâmetros.
• Suíte de Modelos: Sete abordagens de modelagem foram comparadas:
  • Baselines (Linhas de Base): Climatologia (médias mensais históricas) e Persistência (atrasos de $t-1$ e $t-12$).
  • Modelos Estatísticos: Elastic Net (linear regularizado) e Modelos Lineares Generalizados (GLM) de Tweedie para lidar com dados com excesso de zeros e distribuição assimétrica à direita.
  • Ensembles Baseados em Árvores: Random Forest e Extreme Gradient Boosting (XGBoost).
• Métricas: O desempenho foi avaliado usando $R^2$, Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio (RMSE), Viés (Bias) e escores de habilidade (skill scores) em relação à climatologia e à linha de base de persistência de 12 meses.

Principais Resultados

• Superioridade dos Modelos de Ensemble: Modelos de ensemble baseados em árvores superaram consistentemente as abordagens de linha de base e estatísticas em todos os cinco anos de retenção. O XGBoost alcançou a maior habilidade preditiva, seguido pelo Random Forest.
• Desempenho do XGBoost: O XGBoost demonstrou os menores erros e o maior poder explicativo. Na retenção de 2023 (a temporada de incêndios mais anômala), o XGBoost alcançou um $R^2$ fora da amostra de 0,91, um MAE de 0,0067 Tg C célula-grade⁻¹ mês⁻¹ e um RMSE de 0,011 Tg C célula-grade⁻¹ mês⁻¹.
• Habilidade Relativa às Linhas de Base: Diferente dos modelos estatísticos, o XGBoost e o Random Forest mantiveram habilidade positiva em relação ao benchmark de climatologia em todas as retenções. Isso indica que os modelos capturaram a variabilidade além das médias sazonais simples.
• Limitações dos Modelos Estatísticos: O Elastic Net apresentou $R^2$ baixo ou próximo de zero fora da amostra, sugerindo que as relações lineares foram insuficientes para capturar a dinâmica das emissões. O GLM de Tweedie mostrou habilidade moderada, mas foi superado pelos ensembles de árvores.
• Desempenho da Linha de Base: A climatologia forneceu um benchmark moderado ($R^2$ 0,55–0,71), mas subestimou desvios extremos. A linha de base de persistência de 12 meses teve desempenho ruim ($R^2$ ~0,00–0,01), confirmando que as emissões em um determinado mês não são repetidas de forma confiável do mesmo mês no ano anterior.
• Tratamento de Eventos Extremos: O arcabouço conseguiu manter alta precisão durante a temporada de incêndios recorde de 2023, com viés mínimo e forte habilidade em relação à persistência e climatologia, demonstrando robustez sob condições altamente anômalas.

Principais Contribuições e Significância
O artigo reivindica significância principalmente através de seu design de avaliação e avaliação comparativa, em vez da introdução de um novo algoritmo.

• Validação Temporal Rigorosa: O estudo enfatiza a importância de usar retenções anuais temporalmente ordenadas, em vez de validação cruzada aleatória, para previsões ambientais. Este design garante que o desempenho relatado reflita a verdadeira generalização fora da amostra para anos não vistos, um requisito crítico para a previsão operacional.
• Comparação de Classes de Modelos: A pesquisa fornece uma avaliação prática mostrando que modelos de ensemble não lineares (especificamente o XGBoost) são mais adequados para capturar as relações complexas, baseadas em limiares e interativas entre os direcionadores climáticos e as emissões de carbono por incêndios do que modelos estatísticos lineares ou linhas de base simples.
• Robustez a Extremos: Os achados demonstram que modelos de dados não lineares podem manter a habilidade preditiva durante anos de incêndios extremos (ex: 2023), sugerindo que eles podem aprender relações clima-emissão que permanecem úteis mesmo quando as condições se desviam significativamente das normas históricas.
• Arcabouço para Trabalhos Futuros: O estudo estabelece um arcabouço de modelagem que pode apoiar trabalhos futuros sobre a avaliação do ciclo de carbono boreal, previsão sazonal de emissões por incêndios e análise de impacto das mudanças climáticas. Ele destaca que, embora o modelo funcione bem dentro do intervalo histórico, ele não pretende resolver a não-estacionariedade futura ou prever todos os possíveis extremos futuros.

Limitações
Os autores observam algumas restrições: a variável alvo é um inventário limitado por satélite (GFED), e não uma medição direta; os preditores dependem da reanálise ERA5, que pode ter incertezas em regiões do norte com poucos dados; o modelo não inclui explicitamente a pressão de ignição, atividade de supressão ou estrutura detalhada da vegetação; e a resolução de 0,25° suaviza a heterogeneidade em pequena escala. Além disso, embora a validação temporal seja robusta, ela não pode garantir o desempenho sob regimes de incêndios futuros que difiram substancialmente do período histórico usado para o treinamento.