À medida que as temperaturas globais aumentam , os incêndios florestais em todo o mundo tornam-se mais frequentes e mais perigosos. Os seus efeitos são sentidos por muitas comunidades à medida que as pessoas evacuam as suas casas ou sofrem danos mesmo pela proximidade do fogo e do fumo.

Como parte da missão do Google de ajudar as pessoas a acessar informações confiáveis ​​em momentos críticos, usamos imagens de satélite e aprendizado de máquina (ML) para rastrear incêndios florestais e informar as comunidades afetadas . Nosso rastreador de incêndios florestais foi recentemente ampliado .

Ele fornece informações atualizadas sobre limites de incêndio a cada 10-15 minutos, é mais preciso do que produtos de satélite semelhantes e melhora nosso trabalho anterior . Esses limites são mostrados para grandes incêndios nos EUA continentais, no México e na maior parte do Canadá e da Austrália. Eles são exibidos, com informações adicionais das autoridades locais, na Pesquisa Google e no Google Maps , permitindo que as pessoas se mantenham seguras e informadas sobre perigos potenciais perto delas, de suas casas ou de entes queridos.

Rastreamento dos limites em tempo real do incêndio florestal Wrattonbully de 2021-2022 , mostrado como um polígono vermelho no Google Maps.

Entradas

O rastreamento de limites de incêndios florestais requer equilíbrio entre resolução espacial e frequência de atualização. O método mais escalável para obter atualizações frequentes de limites é usar satélites geoestacionários , ou seja, satélites que orbitam a Terra uma vez a cada 24 horas. Estes satélites permanecem num ponto fixo acima da Terra, proporcionando cobertura contínua da área circundante a esse ponto.

Especificamente, nossos modelos de rastreadores de incêndios florestais usam os satélites GOES-16 e GOES-18 para cobrir a América do Norte, e os satélites Himawari-9 e GK2A para cobrir a Austrália. Eles fornecem imagens em escala continental a cada 10 minutos. A resolução espacial é de 2 km no nadir (o ponto diretamente abaixo do satélite) e menor à medida que nos afastamos do nadir. O objetivo aqui é alertar as pessoas o mais rápido possível e encaminhá-las a fontes autorizadas para obter dados no terreno espacialmente precisos, conforme necessário.

Plumas de fumaça obscurecendo a fogueira de acampamento de 2018 na Califórnia. [Imagem da cosmovisão da NASA ]

Determinar a extensão precisa de um incêndio florestal não é trivial, uma vez que os incêndios emitem enormes nuvens de fumaça, que podem se espalhar para longe da área queimada e obscurecer as chamas. Nuvens e outros fenómenos meteorológicos obscurecem ainda mais o fogo subjacente. Para superar esses desafios, é comum contar com frequências infravermelhas (IR), particularmente na faixa de comprimento de onda de 3–4 μm. Isto ocorre porque os incêndios florestais (e superfícies quentes semelhantes) irradiam consideravelmente nesta banda de frequência, e estas emissões difratam com distorções relativamente pequenas através do fumo e de outras partículas na atmosfera.

Isto é ilustrado na figura abaixo, que mostra uma imagem multiespectral de um incêndio florestal na Austrália. Os canais visíveis (azul, verde e vermelho) mostram principalmente a pluma de fumaça triangular, enquanto o canal IR de 3,85 μm mostra o padrão de queima em forma de anel do próprio incêndio. Mesmo com a informação adicional das bandas IR, no entanto, determinar a extensão exacta do incêndio continua a ser um desafio, uma vez que o fogo tem intensidade de emissão variável e vários outros fenómenos emitem ou reflectem radiação IR.

Imagem hiperespectral Himawari-8 de um incêndio florestal. Observe a nuvem de fumaça nos canais visíveis (azul, verde e vermelho) e o anel indicando a área de queima atual na banda de 3,85μm.

Modelo

Trabalhos anteriores sobre detecção de incêndio a partir de imagens de satélite são normalmente baseados em algoritmos baseados na física para identificar pontos críticos a partir de imagens multiespectrais. Por exemplo, o produto de incêndio da Administração Oceânica e Atmosférica Nacional (NOAA) identifica potenciais pixels de incêndio florestal em cada um dos satélites GOES, principalmente com base nas frequências de 3,9 μm e 11,2 μm (com informações auxiliares de duas outras bandas de frequência).

Em nosso rastreador de incêndios florestais, o modelo é treinado em todas as entradas do satélite, permitindo-lhe aprender a importância relativa das diferentes bandas de frequência. O modelo recebe uma sequência das três imagens mais recentes de cada banda para compensar obstruções temporárias, como cobertura de nuvens.

Além disso, o modelo recebe informações de dois satélites geoestacionários, alcançando um efeito de super-resolução em que a precisão da detecção melhora o tamanho do pixel de qualquer um dos satélites. Na América do Norte, também fornecemos o referido produto de combate a incêndio NOAA como insumo. Finalmente, calculamos os ângulos relativos do sol e dos satélites e os fornecemos como dados adicionais para o modelo.

Todas as entradas são reamostradas para uma grade uniforme de 1 km quadrado e alimentadas em uma rede neural convolucional (CNN). Experimentamos várias arquiteturas e optamos por uma CNN seguida por uma camada convolucional 1×1 para produzir cabeças de classificação separadas para pixels de fogo e nuvem (mostrados abaixo).

O número de camadas e seus tamanhos são hiperparâmetros, otimizados separadamente para Austrália e América do Norte. Quando um pixel é identificado como uma nuvem, anulamos qualquer detecção de incêndio, pois nuvens pesadas obscurecem os incêndios subjacentes. Mesmo assim, separar a tarefa de classificação da nuvem melhora o desempenho da detecção de incêndio, pois incentivamos o sistema a identificar melhor esses casos extremos.

Arquitetura CNN para o modelo Austrália; uma arquitetura semelhante foi usada para a América do Norte. Adicionar um cabeçote de classificação em nuvem melhora o desempenho da classificação de incêndio.

Para treinar a rede, usamos dados de anomalias térmicas dos satélites MODIS e VIIRS em órbita polar como rótulos. MODIS e VIIRS têm maior precisão espacial (750–1000 metros) do que os satélites geoestacionários que usamos como entradas.

No entanto, eles cobrem um determinado local apenas uma vez a cada poucas horas, o que ocasionalmente faz com que percam incêndios que avançam rapidamente. Portanto, usamos MODIS e VIIRS para construir um conjunto de treinamento, mas no momento da inferência contamos com imagens de alta frequência de satélites geoestacionários.

Mesmo ao limitar a atenção aos incêndios ativos, a maioria dos pixels de uma imagem não está queimando no momento. Para reduzir a tendência do modelo em relação aos pixels não queimantes, aumentamos a resolução dos pixels de fogo no conjunto de treinamento e aplicamos a perda focal para encorajar melhorias nos raros pixels de fogo classificados incorretamente.

O limite progressivo do incêndio McKinney de 2022 e um incêndio menor próximo.

Avaliação

Sinais de incêndio de alta resolução de satélites em órbita polar são uma fonte abundante de dados de treinamento. No entanto, tais satélites utilizam sensores semelhantes aos satélites geoestacionários, o que aumenta o risco de erros de rotulagem sistémicos (por exemplo, detecções erradas relacionadas com nuvens) serem incorporados no modelo. Para avaliar o nosso modelo de monitorização de incêndios florestais sem tal preconceito, comparámo-lo com cicatrizes de incêndio (ou seja, a forma da área total queimada) medidas pelas autoridades locais.

As cicatrizes de incêndio são obtidas após a contenção do incêndio e são mais confiáveis ​​do que as técnicas de detecção de incêndio em tempo real. Comparamos cada cicatriz de incêndio com a união de todos os pixels de incêndio detectados em tempo real durante o incêndio para obter uma imagem como a mostrada abaixo. Nesta imagem, o verde representa áreas queimadas corretamente identificadas (verdadeiro positivo), o amarelo representa áreas não queimadas detectadas como áreas queimadas (falso positivo) e o vermelho representa áreas queimadas que não foram detectadas (falso negativo).

Exemplo de avaliação para um único incêndio. O tamanho do pixel é 1km x 1km.

 

Comparamos nossos modelos com cicatrizes de incêndio oficiais usando métricas de precisão e recall . Para quantificar a gravidade espacial dos erros de classificação, tomamos a distância máxima entre um pixel falso positivo ou falso negativo e o pixel de fogo verdadeiro positivo mais próximo.

Em seguida, calculamos a média de cada métrica em todos os incêndios. Os resultados da avaliação estão resumidos abaixo. Descobriu-se que os erros de detecção mais graves resultam de erros nos dados oficiais, como a falta de uma cicatriz de um incêndio próximo.

Métricas do conjunto de testes comparando nossos modelos com cicatrizes de incêndio oficiais.

Realizamos dois experimentos adicionais sobre incêndios florestais nos Estados Unidos (ver tabela abaixo). Primeiro, avaliamos um modelo anterior que depende apenas dos produtos contra incêndio GOES-16 e GOES-17 da NOAA. Nosso modelo supera esta abordagem em todas as métricas consideradas, demonstrando que as medições brutas de satélite podem ser usadas para aprimorar o produto de incêndio existente da NOAA.

Em seguida, coletamos um novo conjunto de testes que consiste em todos os grandes incêndios nos Estados Unidos em 2022. Esse conjunto de testes não estava disponível durante o treinamento porque o modelo foi lançado antes do início da temporada de incêndios. A avaliação do desempenho neste conjunto de testes mostra um desempenho alinhado com as expectativas do conjunto de testes original.

Comparação entre modelos sobre incêndios nos Estados Unidos.