Os incêndios florestais constituem uma ameaça crescente em Portugal, exigindo soluções preditivas avançadas. Este trabalho apresenta o EmberEdge, um sistema inovador de monitorização e previsão do risco de incêndio baseado em inteligência artificial, que integra dados do satélite Copernicus Sentinel-2 (NDVI), focos ativos NASA FIRMS, meteorologia em tempo real e histórico do ICNF.
A metodologia baseou-se numa arquitetura cliente-servidor, com frontend web, backend em Flask e modelo Random Forest Regressor. Foram utilizadas sete variáveis preditoras: NDVI, temperatura superficial, humidade, ISI, velocidade do vento, altitude e densidade populacional, incluindo controlo com o incêndio de Pedrógão Grande (2017). O modelo apresentou elevado desempenho (R²=0,872; RMSE=0,124; precisão de 87,2% para threshold 0,10). Após binarização (threshold=0,50), obteve AUC=0,914, superando o FWI (R²=0,642) e o EFFIS (AUC=0,82), com diferença estatisticamente significativa (p<0,001).
O sistema antecipou 84% dos focos com 4,2 horas de antecedência média. Os resultados evidenciam a superioridade da fusão multissensorial, destacando o NDVI como principal preditor (23,1%), reforçando o papel da vegetação como combustível. O EmberEdge pode ser um aliado da Proteção Civil, melhorando a gestão de recursos e mitigando impactos das alterações climáticas.
Wildfires are an increasing threat in Portugal, requiring advanced predictive solutions. This work presents EmberEdge, an innovative artificial intelligence-based wildfire risk monitoring and forecasting system that integrates Copernicus Sentinel-2 satellite data (NDVI), NASA FIRMS active fire detections, real-time meteorological data, and historical records from the ICNF.
The methodology is based on a client–server architecture, with a web frontend, a Flask backend, and a Random Forest Regressor model. Seven predictor variables were used: NDVI, surface temperature, humidity, ISI, wind speed, altitude, and population density, including validation against the Pedrógão Grande wildfire (2017). The model demonstrated strong performance (R² = 0.872; RMSE = 0.124; 87.2% accuracy for a 0.10 threshold). After binarisation (threshold = 0.50), it achieved an AUC of 0.914, outperforming both the FWI (R² = 0.642) and EFFIS (AUC = 0.82), with statistically significant differences (p < 0.001). The system successfully anticipated 84% of fire events with an average lead time of 4.2 hours.
The results highlight the superiority of multisensor data fusion, with NDVI emerging as the most influential predictor (23.1%), reinforcing the role of vegetation as fuel. EmberEdge may serve as a valuable tool for Civil Protection, improving resource management and mitigating the impacts of climate change.
