Skip to content

pesquisa-literatura-resultado-2025-2026.md

Latest commit

 

History

History
236 lines (171 loc) · 13.2 KB

pesquisa-literatura-resultado-2025-2026.md

File metadata and controls

236 lines (171 loc) · 13.2 KB

Resultados da Pesquisa de Literatura — NeKo-PIGNN

Papers Recentes (2025-2026) para Revisão de Literatura

Data: 2026-06-13 Pesquisa realizada via: arXiv API, OpenAlex API, Semantic Scholar Escopo: Neural Koopman Operator, Physics-Informed GNN, Wildfire Dynamics, GOES-19, Digital Twins para Biomas Brasileiros

RESUMO EXECUTIVO

A pesquisa confirmou a lacuna absoluta identificada na TASK-001: zero publicações combinando Neural Koopman Operator + PI-GNN + propagação de fogo. Nenhum paper novo de 2025-2026 preenche esse gap. Abaixo estão os papers mais relevantes encontrados que podem complementar/fortalecer a revisão de literatura como contexto ou trabalhos relacionados — mas nenhum como concorrente direto.

1. KERNEL: Neural Koopman Operator para Queimadas

1.1 Li, Y. et al. (2025) — JÁ INCLUÍDO

  • Já está na ref #8 da revisão. Único paper que aplica autoencoder de Koopman para propagação de incêndios.
  • Environmental Modelling & Software, 182, 106189
  • ✅ Nada de novo encontrado que concorra.

1.2 Zhang, X. & Ma, M. (2024) — JÁ INCLUÍDO

  • Geophysical Research Letters. ✅ Já citado.

1.3 NOVO — Koopman Generator Networks (KoopGen)

  • Su, L. et al. (2026). "KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra."
  • arXiv:2602.14011 (Feb 2026)
  • Relevância: Representa e prevê sistemas caóticos espaciotemporais de alta dimensão. Pode ser citado como avanço em Koopman para sistemas contínuos — metodologia que poderia ser adaptada a propagação de fogo.
  • Não usa PI-GNN nem fogo.

1.4 NOVO — Physics-Informed Deep Mixture-of-Koopmans

  • Miao, J. et al. (2026). "Physics-informed Deep Mixture-of-Koopmans Vehicle Dynamics Model with Dual-branch Encoder for Distributed Electric-drive Trucks."
  • arXiv:2603.17416 (Mar 2026)
  • Relevância: Exemplo de acoplamento Koopman + PINN em domínio diferente. Antecedente metodológico.

1.5 NOVO — Modeling Chaotic Synchronization using Koopman PINNs

  • Sasikumar, N.P. & Balasubramaniam, P. (2026). "Modeling chaotic synchronization dynamics using Koopman Physics-Informed Neural Networks."
  • Chaos, Solitons & Fractals, 117944 (Jan 2026).
  • Relevância: Demonstra Koopman+PINN para sistemas caóticos. Citado como evidência de viabilidade do acoplamento.

1.6 NOVO — SPIKE: Sparse Koopman Regularization for PINNs

  • Miñoza, J.M.A. (2026). arXiv:2601.10282 (Jan 2026).
  • Relevância MUITO ALTA: Regularização esparsa de Koopman para PINNs. Técnica diretamente relevante para o NeKo-PIGNN.
  • 🔥 Potential complement: Poderia ser citado como regularizador alternativo para o treinamento.

2. Physics-Informed GNN para Queimadas

2.1 GraphFire-X — JÁ INCLUÍDO

  • Esparza, I. et al. (2025). arXiv:2512.20813. ✅ Já citado.

2.2 NOVO — Physics-Constrained GNN for Operational Wildfire Modeling

  • Tang Sui (2026). "Physics-Constrained Forecast-Conditioned Graph Neural Networks for Operational Wildfire Modeling."
  • Minds at UW (University of Wisconsin), May 2026.
  • ⚠️ Crítico: Este é o principal concorrente identificado na revisão como "Tang Sui (2026). Physics-Constrained GNN for Wildfire. Preprint."
  • Mas: Sem dados reais de satélite, sem Koopman. Confirma a lacuna.

2.3 NOVO — GNN + Decision Tree para Building Damage

  • Esparza, M. et al. (2026). "A graph neural network and decision tree modeling approach for predicting wildfire-induced building damage."
  • Computer-Aided Civil and Infrastructure Engineering, May 2026.
  • Relevância: Outro paper do grupo do GraphFire-X. Foco em danos a edifícios, não propagação.

2.4 NOVO — GNN-LSTM for Fire Weather Index

  • Shahriar, S.A. et al. (2025). "Advanced Deep Learning Approaches for Forecasting High-Resolution Fire Weather Index (FWI) over CONUS: Integration of GNN-LSTM, GNN-TCNN."
  • Remote Sensing, 17(3), 515. Cited by 7.
  • Relevância: Combina GNN com LSTM/TCNN para FWI. Citado como baseline híbrido.

3. Neural Koopman + GNN Híbrido

3.1 NOVO — Interpreting Temporal GNNs with Koopman Theory

  • Guerra, M. et al. (2024). "Interpreting Temporal Graph Neural Networks with Koopman Theory."
  • arXiv:2410.13469 (Oct 2024).
  • ⚠️ Potencial concorrente indireto: Usa Koopman para interpretar STGNNs. Relevante pois mostra a conexão Koopman+GNN, mas não para fogo.

3.2 NOVO — GNN meets Dynamic Mode Decomposition

  • Shi, D. et al. (2024). "When Graph Neural Networks Meet Dynamic Mode Decomposition."
  • arXiv:2410.05593 (Oct 2024).
  • ⚠️ Potencial concorrente indireto: Conecta GNN com DMD (derivada de Koopman). Não aplicado a fogo.

3.3 NOVO — Physics-Informed High-order Graph Dynamics

  • Wang, B. et al. (2025). "Physics-Informed High-order Graph Dynamics Identification Learning for Predicting Complex Networks Long-term Dynamics."
  • arXiv:2510.09082 (Oct 2025).
  • Relevância: Aprende dinâmica de redes complexas com GNN + física. Citado como background metodológico.

4. GOES-19 / GOES-16 + Deep Learning para Fogo

4.1 NENHUM PAPER SOBRE GOES-19

  • Zero resultados para GOES-19 + fire detection em arXiv e OpenAlex.
  • GOES-19 (GOES-U) foi lançado em Junho 2024 e comissionado em 2025, mas ainda sem papers publicados sobre detecção de fogo usando seus dados.
  • Lacuna confirmada: Primeiro trabalho a usar GOES-19 para queimadas seria inédito.

4.2 NOVO — Transformer-based fire detection using MODIS

  • Sha, J. et al. (2026). "Transformer-based fire detection using moderate resolution imaging spectroradiometer."
  • Advances in Space Research, Mar 2026.
  • Relevância: Transformer para detecção de fogo, baseline concorrente.

4.3 NOVO — High-Quality Small Fire Samples Generation

  • Lv, P. et al. (2026). "High-Quality Small Fire Samples Generation and Application in Deep Learning-Based Forest Fire Monitoring."
  • IEEE TGRS, 2026.
  • Relevância: Geração de amostras sintéticas para pequenos focos — técnica útil.

4.4 NOVO — Self-Supervised Learning for Smoke Plume and Active Fire

  • LaHaye, N. et al. (2025). "Development and Application of Self-Supervised Machine Learning for Smoke Plume and Active Fire Identification from FIREX-AQ."
  • Remote Sensing, 17(7), 1267. Cited by 3.
  • Relevância MUITO ALTA: Self-supervised learning para fogo ativo com dados de satélite! Complementa a abordagem não-supervisionada do NeKo-PIGNN.

4.5 NOVO — Harnessing Self-Supervised DL and Geostationary Remote Sensing for Wildfire

  • LaHaye, N. et al. (2025). IGARSS 2025.
  • Relevância: Self-supervised + dados geoestacionários. Diretamente alinhado com NeKo-PIGNN.

5. Digital Twin + Wildfire + Biomas Brasileiros

5.1 ZERO papers sobre digital twin + queimadas + Brasil/Caatinga/Cerrado

  • Lacuna confirmada e aprofundada: Nenhum paper de 2025-2026 aborda gêmeo digital para fogo em biomas brasileiros.

5.2 ZERO papers sobre deep learning + Caatinga + fogo

  • Nenhum resultado para qualquer combinação de Caatinga + ML/DL + fogo.

5.3 NOVO — Remote Sensing for Wildfire Mapping Review

  • Guiop-Servan, R.E. et al. (2025). "Remote Sensing for Wildfire Mapping: A Comprehensive Review of Advances, Platforms, and Algorithms."
  • Fire, 8(8), 316. Cited by 10.
  • Relevância: Review abrangente, citado como panorama.

5.4 NOVO — FireCast-fusion: Physics-Guided fusion of UAV RGB–thermal

  • Abbas, Q. et al. (2026). "FireCast-fusion: Physics-Guided fusion of UAV RGB–thermal imagery and environmental data for near-term wildfire spread prediction."
  • Science of Remote Sensing, 100429, Apr 2026.
  • Relevância: Abordagem híbrida física+ML, mas com UAVs (não satélite).

6. Detecção Não-Supervisionada de Queimadas com Satélite

6.1 NOVO — Unsupervised Wildfire Detection Using Multispectral MTG-FCI

  • Mercatini, A. & Tartaglione, N. (2026). "Unsupervised Wildfire Detection Using Multispectral MTG-FCI Data: A Feasibility Study."
  • Journal of Imaging, 12(6), 229, May 2026.
  • ⚠️ Concorrente: Primeiro estudo de detecção não-supervisionada de fogo com dados do Meteosat Third Generation (MTG). Usa FCI (similar ao ABI). Não usa Koopman nem GNN.

6.2 NOVO — Hybrid Unsupervised Methods for Burned Area Mapping

  • Esmaeili, M. et al. (2025). "Hybrid unsupervised methods and inject-multiply morphological features for mapping wildfire burned areas with multi-spectral satellite data."
  • Science of Remote Sensing, 100305, Oct 2025.
  • Relevância: Métodos híbridos não-supervisionados para área queimada. Baseline metodológico.

6.3 NOVO — Unsupervised Detection of Disaster-Affected Areas

  • Tang, K. et al. (2026). "Unsupervised Detection of Disaster-Affected Areas by Combining Change Detection and Anomaly Detection."
  • Journal of Remote Sensing, 2026.
  • Relevância: Combina detecção de mudança + anomalia para áreas afetadas por desastres.

7. Métodos Avançados e Tangenciais

7.1 NOVO — Neural-Parameterized Cellular Automata for Wildfire Spread

  • Zhenirovskyy, M. et al. (2026). arXiv:2606.11676 (Jun 2026).
  • ⚠️ JÁ CITADO como "Zhenirovskyy et al. (2026). Cellular automata neural-parametrizados."
  • Detalhe novo: Autores = Maksym Zhenirovskyy, Ion Matei, Rohit Vuppala, Takuya Kurihana et al. (NEC Laboratories America).
  • Abordagem de autômatos celulares neural-parametrizados. Alternativa computacionalmente eficiente. Sem Koopman.

7.2 NOVO — Generating Satellite Imagery Data for Wildfire Detection through Mask-Conditioned Generative AI

  • Martin, V. et al. (2026). arXiv:2604.02479 (Apr 2026).
  • Relevância: Dados sintéticos para detecção de fogo. Útil como técnica de aumento de dados.

7.3 NOVO — Deep spatiotemporal signal learning with transformers for multi-day wildfire forecasting

  • Dubey, P. et al. (2026). Bulletin of Electrical Engineering and Informatics, 15(1), Feb 2026.
  • Relevância: Transformer para previsão multi-dia de fogo.

7.4 NOVO — AI-driven Integrated System for Climate Disaster Mitigation

  • Arora, S. (2026). J. Advanced Research in Embedded System.
  • Relevância: Arquitetura de early warning. Contexto de sistema.

7.5 NOVO — Inferring Wildfire Ignition Causes using ML and XAI

  • Ochoa, C. et al. (2026). Fire, 9(4), 138. Mar 2026.
  • Relevância: XAI para causas de ignição de fogo.

8. ANÁLISE DE LACUNAS ATUALIZADA

8.1 Lacunas Confirmadas (NENHUM PAPER DE 2025-2026 PREENCHEU):

  1. ✅ Koopman + PI-GNN + fogo = ZERO — Gap absoluto mantido.
  2. ✅ Koopman + PI-GNN + fogo + Brasil = ZERO — Gap geográfico mantido.
  3. ✅ Digital Twin para Caatinga/Cerrado = ZERO — Gap inédito mantido.
  4. ✅ GOES-19 + detecção de fogo = ZERO — Primeiro paper será inédito.
  5. ✅ Neural Koopman + dados GOES/VIIRS + fogo = ZERO — Gap mantido.

8.2 Novas Lacunas Identificadas:

  1. Self-supervised learning + Koopman para fogo = ZERO — LaHaye et al. (2025) faz SSL para fogo, mas sem Koopman/GNN.
  2. PI-GNN validado em bioma tropical (Caatinga/Cerrado/Amazônia) = ZERO — Todos os PI-GNNs são validados nos EUA/Canadá.
  3. Unsupervised wildfire detection com GOES + GNN = ZERO — Mercatini (2026) faz unsupervised com MTG, mas sem GNN.

9. PAPERS RECOMENDADOS PARA INCLUSÃO NA REVISÃO

Alta Prioridade (novos, não capturados antes):

# Paper Razão
1 Guerra et al. (2024) — Interpreting TGNNs with Koopman Mostra conexão Koopman+GNN (ref indireta)
2 Shi et al. (2024) — GNN meets DMD Conecta GNN com DMD/Koopman (ref indireta)
3 LaHaye et al. (2025) — Self-Supervised ML for Smoke & Fire SSL para fogo com satélite (baseline)
4 Mercatini & Tartaglione (2026) — Unsupervised Wildfire MTG-FCI Unsupervised detection concorrente
5 Miao et al. (2026) — Physics-informed Deep Mixture-of-Koopmans Antecedente Koopman+PINN
6 Sasikumar & Balasubramaniam (2026) — Koopman PINNs chaotic sync Antecedente Koopman+PINN

Média Prioridade (contexto adicional):

# Paper Razão
7 Shahriar et al. (2025) — GNN-LSTM for FWI Baseline híbrido GNN+LSTM
8 Su et al. (2026) — KoopGen Avanço em Koopman para sistemas contínuos
9 Wang et al. (2025) — PI High-order Graph Dynamics Background metodológico
10 Abbas et al. (2026) — FireCast-fusion Híbrido física+ML para fogo

10. CONCLUSÃO

O NeKo-PIGNN permanece como contribuição inédita. Nenhum paper de 2025-2026 preencheu o gap central (Koopman + PI-GNN + wildfire). Os papers encontrados fortalecem a revisão ao:

  1. Demonstrar viabilidade do acoplamento Koopman+PINN em outros domínios (veículos, sincronização caótica, regularização esparsa)
  2. Prover baselines concorrentes em detecção não-supervisionada (Mercatini 2026, LaHaye 2025)
  3. Confirmar lacunas geográficas (Caatinga/Cerrado/Amazônia = zero publicações)
  4. Mostrar conexões Koopman+GNN indiretas (Guerra 2024, Shi 2024)
  5. Zero papers sobre GOES-19 para detecção de fogo

Arquivo de resultado salvo como: /Users/naubergois/gois/pesquisa-literatura-resultado-2025-2026.md