Data: 07/06/2026 (Atualização Semanal — Verificada) | Agente: Pesquisador Digital Twins (Hermes Cron) | Status: Active — monitoring weekly updates. INPE on 06/06: 3 foci. FIRMS on 06/06: 28 hotspots; 06/05: 142 hotspots peak (426% increase). Tests 8/8 pass (deterministic). Article v3.1: LaTeX (716 lines) + Markdown + PDF (13 pages, 363 KB) compiled cleanly. System stable with deterministic metric hierarchy.
Esta pesquisa mapeia o estado da arte de tecnologias Digital Twin (Gêmeo Digital) para detecção e monitoramento de incêndios florestais, com foco em aplicação nos biomas brasileiros (Amazônia, Cerrado, Pantanal, Caatinga). Não existe atualmente um Digital Twin operacional especificamente para detecção de incêndios em biomas brasileiros — os sistemas operacionais do INPE (Queimadas, PRODES, DETER, BDQueimadas) e MapBiomas Fogo são sistemas de alerta/monitoramento, não Digital Twins completos. Esta lacuna representa uma oportunidade significativa de pesquisa e implantação.
|| # | ID | Título | Autores | Data | Categorias | ||---|----|--------|---------|------|------------| || 1 | 2602.08949 | Digital Twin and Agentic AI for Wild Fire Disaster Management: Intelligent Virtual Situation Room (IVSR) | Morsali & Khajavi | 2026-02 | cs.AI, cs.SE | || 2 | 2601.03449 | FIRE-VLM: Vision-Language-Driven RL Framework for UAV Wildfire Tracking in a Physics-Grounded Fire Digital Twin | Webb, Habibpour, Raha et al. | 2026-01 | cs.RO | || 3 | 2512.06148 | AIMNET: IoT-Empowered Digital Twin for Continuous Gas Emission Monitoring and Early Hazard Detection | Zhou, Wang et al. | 2025-12 | cs.NI | || 4 | 2510.22941 | Hazard-Responsive Digital Twin (H-RDT) for Climate-Driven Urban Resilience | Shen & Zhou | 2025-10 | cs.LG | || 5 | 2510.18879 | FIRETWIN: Digital Twin Advancing Multi-Modal Sensing, Interactive Analytics for Wildfire Response | Raha, Tavakkoli et al. | 2025-09 | cs.HC | || 6 | 2406.14591 | Physics-informed Neural Networks for Parameter Learning of Wildfire Spreading | Vogiatzoglou et al. | 2024-06 | cs.LG, cs.CE | || 7 | 2512.20813 | GraphFire-X: Physics-Informed Graph Attention Networks ... for Building-Scale Wildfire Preparedness ✅ NOVO | Esparza, Battal, Mostafavi | 2025-12 | cs.LG | || 8 | 2604.04339 | Thermodynamic-Inspired Explainable GeoAI: ... Wildfire-Induced PM2.5 Anomalies ✅ NOVO | Lim, Li, Liu | 2026-04 | cs.AI | || 9 | 2502.01550 | FireCastNet: Earth-as-a-Graph for Seasonal Fire Prediction ✅ NOVO (v2) | Michail, Davalas et al. | 2025-02 (v2: 2025-11) | cs.CV | || 10 | 2309.10808 | AI Foundation Models for Weather and Climate: Applications, Design, and Implementation | Mukkavilli, Civitarese et al. | 2023-09 | cs.LG, cs.AI |
- Arquitetura: Digital Twin bidirecional + agentes autônomos de IA
- Funcionalidades: Ingestão contínua de imagens multissensor, dados meteorológicos e modelos 3D florestais; motor de similaridade baseado em IA que alinha condições emergentes com biblioteca de simulação de desastres
- Diferenciais: Loop completo entre resposta e análise (UAV, realocação de equipe); detecção localizada de incidentes, projeção de propagação de fogo
- Resultado: Reduções significativas na latência detecção-para-intervenção
- Arquitetura: Primeiro framework VLM (Vision-Language Model) guiando RL (Reinforcement Learning) em Digital Twin de incêndio com física realista
- Tecnologias: CLIP-style VLM, PPO agent com sensoriamento UAV dual-view
- Resultado: Redução de até 6× no tempo de detecção em 5 tarefas de avaliação
- Pipeline: GIS-to-simulation para construção de Digital Twins de incêndio
- Arquitetura: Digital Twin ciber-físico usando Unreal Engine + CAWFE (modelo de fogo)
- Diferenciais: Reconstrução do incêndio King Fire; integração de dados históricos com representações imersivas 3D
- Aplicação: Análise interativa e suporte à decisão para resposta a incêndios
- Arquitetura: Três camadas (mundo físico → links bidirecionais → mundo digital)
- IoT: Rede de sensores distribuídos para monitoramento contínuo de emissões
- Aplicação: Detecção precoce de plumas de carbono (incêndios, vazamentos industriais)
- Modelagem: Acoplamento tempo-meteorologia-transporte de gases
- Abordagem: PINN (Physics-Informed Neural Networks) + fusão multimodal
- Aplicação: Cascata incêndio-queda de energia-onde de calor urbana
- Contribuição: Aprendizado de parâmetros de propagação de fogo via redes neurais com informação física
- Relevância: Base para Digital Twins orientados a dados com consistência física
- Arquitetura: Ensemble dual-especialista combinando GNN com atenção informada por física (convecção, radiação, probabilidade de brasas) + XGBoost para fragilidade estrutural
- Aplicação: Wildland-Urban Interface (WUI), Eaton Fire 2025
- Diferenciais: GNN de comunidade como grafo de contágio direcionado; embeddings AlphaEarth do Google; risco topológico diagnóstico
- Relevância para o projeto cearense: Abordagem de GNN informada por física é diretamente comparável ao PI-GNN proposto no NeKo-PIGNN
- Arquitetura: GNN inspirada em termodinâmica estatística (Equilíbrio Burden/Capacity)
- Aplicação: Anomalias de PM2.5 induzidas por incêndios (Canadian wildfire 2023)
- Diferenciais: Identifica transições de fase em sistemas espaciais; diagnóstico de mudanças de regime causal
- Relevância: Framework complementar para análise de plumas de fumaça em biomas brasileiros
- Arquitetura: 3D Conv + GraphCast GNN para previsão sazonal global de queimadas
- Dataset: SeasFire — cubo de dados multivariado do Sistema Terra
- Resultado: Superior a GRU, Conv-LSTM, U-TAE, TeleViT; resultados fortes na América do Sul
- Relevância: Primeiro modelo baseado em GraphCast para fogo validado globalmente, incluindo América do Sul
| Camada | Tecnologias | Fornecedores/Referências |
|---|---|---|
| Satélites | Landsat-8/9 (30m), Sentinel-2 (10m), MODIS (250m-1km), GOES-16 (1km/1min), VIIRS (375m), CBERS-4A, Amazonia-1 | NASA, ESA, INPE |
| IoT/Sensores | LoRaWAN, redes de sensores sem fio (temp/umidade/fumaça/gases) | AIMNET framework |
| UAVs/Drones | VLM-guided RL, SwarmFusion, FlyNeRF | FIRE-VLM |
| Simulação Física | CAWFE, OpenLB, WRF-SFIRE | Modelos de propagação |
| Plataformas DT | Azure Digital Twins, AWS IoT TwinMaker, NVIDIA Omniverse | Cloud providers |
| Visualização 3D | Unreal Engine 5, Unity, CesiumJS, Three.js | FIRETWIN usa Unreal |
| AI/ML | VLMs (CLIP), RL (PPO), PINNs, CNNs (U-Net), Transformers, GNNs | PyTorch, TensorFlow |
| Backend/Dados | InfluxDB (time-series), PostGIS, Kafka, Spark | Processamento em tempo real |
┌─────────────────────────────────────────────────────┐
│ Gêmeo Digital │
│ ┌─────────────┐ ┌──────────┐ ┌────────────────┐ │
│ │ Modelo 3D │ │ Motor de │ │ ML/AI Analytics │ │
│ │ do Terreno │ │ Simulação│ │ • Detecção │ │
│ │ + Vegetação │ │ (CAWFE) │ │ • Predição │ │
│ └──────┬───────┘ └────┬─────┘ │ • Otimização │ │
│ │ │ └────────┬───────┘ │
│ └───────────────┴─────────────────┘ │
│ │ │
└────────────────────────┼───────────────────────────────┘
│ Loop Bidirecional
┌────────────────────────┼───────────────────────────────┐
│ Mundo Físico │ │
│ ┌──────────┐ ┌────────┴──────┐ ┌──────────────────┐ │
│ │ Satélites│ │ Sensores IoT │ │ UAVs/Drones │ │
│ │ GOES, │ │ Temp/Smoke/ │ │ Patrulha & │ │
│ │ MODIS, │ │ Umidade/Gás │ │ Intervenção │ │
│ │ Sentinel │ │ │ │ │ │
│ └──────────┘ └───────────────┘ └──────────────────┘ │
└────────────────────────────────────────────────────────┘
| Programa | Tipo | Desde | Fonte de Dados | Cobertura |
|---|---|---|---|---|
| INPE Queimadas | Monitoramento de focos ativos | 1998 | GOES-16, MODIS, VIIRS, ASTER | Todo Brasil |
| PRODES | Desmatamento anual | 1988 | Landsat | Amazônia (desde 2021: todos biomas) |
| DETER/DETER-B | Alerta de desmatamento em tempo real | 2004 | MODIS, Sentinel-2, CBERS | Amazônia + Cerrado |
| BDQueimadas | Base de dados de áreas queimadas | — | Landsat, Sentinel-2, MODIS | Todo Brasil |
| MapBiomas Fogo | Mapeamento anual de área queimada | 2016 | Landsat (30m) | Todo Brasil |
| CBERS | Satélite sino-brasileiro | 1999 | MUX, WFI, PAN | Todo Brasil |
| Amazonia-1 | Satélite brasileiro | 2021 | WFI (66m, 3 dias) | Todo Brasil |
| Critério | Digital Twin (necessário) | Sistemas Brasileiros Atuais |
|---|---|---|
| Ingestão de dados em tempo real | ✅ | ✅ (GOES-16, MODIS) |
| Simulação preditiva | ✅ | ❌ (apenas alerta) |
| Controle bidirecional | ✅ | ❌ (somente leitura) |
| Suporte a decisão com IA/ML | ✅ | Limitado (alertas baseados em threshold) |
| Visualização 3D | ✅ | ❌ (mapas 2D) |
| Modelagem de cenários (what-if) | ✅ | ❌ |
| Integração IoT | ✅ | ❌ (apenas satélite) |
| Propagação de fogo baseada em física | ✅ | ❌ |
| Acoplamento clima-vegetação-relevo | ✅ | Parcial |
- Universidades: USP, UNICAMP, INPE, UFMG, UFRGS, UFAM têm grupos de pesquisa em sensoriamento remoto e queimadas
- Papers Brasil-específicos identificados:
- Deep learning em Landsat/Sentinel-2 para detecção de fogo na Amazônia (Sun, 2024)
- PRODES-based change detection para desmatamento na Amazônia (Konishi & Pedrini, 2025)
- Network science para análise de incêndios brasileiros (Marli et al., 2024)
- Causal inference em imagens de satélite para desmatamento em Rondônia (Ramachandra, 2024)
- Observação: Nenhum desses trabalhos propõe um Digital Twin completo
- INPE — Centro de Previsão de Tempo e Estudos Climáticos (CPTEC): previsão meteorológica para risco de fogo
- PREVFOGO/IBAMA — Sistema Nacional de Prevenção e Combate aos Incêndios Florestais
- CEMADEN — Centro Nacional de Monitoramento e Alertas de Desastres Naturais
- SIPAM — Sistema de Proteção da Amazônia
- Agrosatélite — Monitoramento agrícola via satélite
- Santiago & Cintra — Consultoria em geotecnologias
- Sensoriamento remoto no agronegócio — Várias startups brasileiras usam dados de satélite, mas focam em agricultura, não em detecção de incêndios como Digital Twin
| Bioma | Justificativa | Risco de Fogo | Cobertura Satélite |
|---|---|---|---|
| Amazônia | Maior sumidouro de carbono do mundo; desmatamento + fogo | Alto (estação seca) | Excelente |
| Cerrado | Região mais ativa em focos de incêndio; savana biodiversa | Muito Alto | Boa |
| Pantanal | Maior área alagável do mundo; incêndios catastróficos 2020/2024 | Alto (seca extrema) | Moderada |
| Caatinga | Semiárido; fogo antropogênico | Moderado | Boa |
| Mata Atlântica | Fragmentada; fogo urbano-rural | Moderado | Boa |
- Camada de Dados: Integrar INPE Queimadas (GOES-16, MODIS VIIRS) + MapBiomas Fogo + CBERS/Amazonia-1 + dados meteorológicos CPTEC
- Camada de Modelagem: CAWFE ou WRF-SFIRE para propagação de fogo adaptado à vegetação brasileira
- Camada de IA: Modelos de detecção treinados em dados brasileiros + PINNs para parâmetros de vegetação nativa
- Camada IoT: LoRaWAN para monitoramento remoto em áreas de difícil acesso (Amazônia, Pantanal)
- Camada de Visualização: Digital Twin 3D com Unreal Engine ou CesiumJS para salas de situação
- Camada de Decisão: Agentes de IA (como IVSR) para suporte à decisão em tempo real
- Nuvem Amazônica: Cobertura frequente de nuvens limita sensoriamento óptico — necessário uso de radar (SAR)
- Dimensão Continental: Área de 8,5M km² — necessidade de arquitetura escalável
- Conectividade: Muitas áreas remotas sem internet — edge computing + LoRaWAN
- Custo: Satélites de alta resolução são caros — priorizar dados abertos (Landsat, Sentinel, CBERS)
- Queima Controlada vs. Incêndio Criminoso: Diferenciar necessidade ecológica de crime ambiental
- Mudanças Climáticas: Aumento projetado de 14% na frequência até 2030 (UN)
- Criar pipeline de dados integrando INPE Queimadas (API) + MapBiomas + GOES-16 em tempo real
- Implementar protótipo de dashboard 3D com CesiumJS para visualização de focos ativos
- Treinar modelo de detecção usando dados brasileiros (BDQueimadas) com U-Net ou similar
- Desenvolver motor de simulação adaptado à vegetação brasileira (derivado de CAWFE/WRF-SFIRE)
- Implantar rede IoT piloto no Pantanal ou Cerrado (maior risco, melhor acesso)
- Implementar agente de IA para suporte à decisão (inspirado em IVSR)
- Digital Twin completo com loop bidirecional (deteccão → simulação → intervenção)
- Cobertura multi-bioma integrando todos os biomas brasileiros
- Integração com sistema de combate (PREVFOGO/IBAMA) para coordenação em tempo real
-
Morsali, M. & Khajavi, S.H. (2026). "Digital Twin and Agentic AI for Wild Fire Disaster Management: Intelligent Virtual Situation Room." arXiv:2602.08949. https://arxiv.org/abs/2602.08949
-
Webb, C., Habibpour, M., Raha, M.H., Tavakkoli, A.R., Coen, J. & Afghah, F. (2026). "FIRE-VLM: A Vision-Language-Driven Reinforcement Learning Framework for UAV Wildfire Tracking in a Physics-Grounded Fire Digital Twin." arXiv:2601.03449. https://arxiv.org/abs/2601.03449
-
Zhou, Z., Wang, X., Yan, Y. et al. (2025). "AIMNET: An IoT-Empowered Digital Twin for Continuous Gas Emission Monitoring and Early Hazard Detection." arXiv:2512.06148. Accepted by IEEE Internet of Things Magazine.
-
Raha, M.H., Tavakkoli, A.R., Webb, C., Habibpour, M. et al. (2025). "FIRETWIN: Digital Twin Advancing Multi-Modal Sensing, Interactive Analytics for Wildfire Response." arXiv:2510.18879. https://arxiv.org/abs/2510.18879
-
Shen, Z. & Zhou, H. (2025). "Hazard-Responsive Digital Twin for Climate-Driven Urban Resilience and Equity." arXiv:2510.22941. https://arxiv.org/abs/2510.22941
-
Vogiatzoglou, K., Papadimitriou, C., Bontozoglou, V. & Ampountolas, K. (2024). "Physics-informed neural networks for parameter learning of wildfire spreading." arXiv:2406.14591. https://arxiv.org/abs/2406.14591
-
Mukkavilli, S.K., Civitarese, D.S. et al. (2023). "AI Foundation Models for Weather and Climate: Applications, Design, and Implementation." arXiv:2309.10808. https://arxiv.org/abs/2309.10808
- INPE - Programa Queimadas. http://queimadas.dgi.inpe.br/queimadas/
- INPE - PRODES. http://www.obt.inpe.br/OBT/assuntos/programas/amazonia/prodes
- INPE - DETER. http://www.obt.inpe.br/OBT/assuntos/programas/amazonia/deter
- MapBiomas Fogo. https://mapbiomas.org/
- CBERS - Satélite Sino-Brasileiro. http://www.cbers.inpe.br/
- Azure Digital Twins. https://azure.microsoft.com/en-us/services/digital-twins/
- AWS IoT TwinMaker. https://aws.amazon.com/iot-twinmaker/
- NVIDIA Omniverse. https://www.nvidia.com/en-us/omniverse/
- CesiumJS. https://cesium.com/platform/cesiumjs/
- Unreal Engine. https://www.unrealengine.com/
Relatório gerado pelo agente OpenHands Digital Twins em 02/06/2026.
Dados coletados via arXiv API, análise sistemática de literatura, e programas brasileiros de monitoramento.