Habitat Classification from Ground-Level Imagery Using Deep Neural Networks

Título: Clasificación de Hábitats desde Imágenes a Nivel de Suelo utilizando Redes Neuronales Profundas

1. Problema y Contexto

La evaluación de hábitats a escala local es fundamental para la conservación de la biodiversidad y la gestión del territorio (ej. ganancia neta de biodiversidad en el Reino Unido). Tradicionalmente, este proceso depende de encuestas de campo realizadas por expertos, lo cual es costoso y difícil de escalar.

• Limitaciones de las soluciones actuales: La mayoría de los enfoques de IA para el mapeo de hábitats utilizan sensores remotos (satélites, drones). Sin embargo, estos enfrentan limitaciones por condiciones climáticas, disponibilidad de sensores y, crucialmente, una resolución espacial gruesa que impide capturar detalles estructurales y composicionales finos.
• El vacío de investigación: Las imágenes a nivel de suelo (capturadas por encuestadores o ciudadanos con dispositivos móviles) contienen información crítica invisible desde arriba, pero han sido poco exploradas para la clasificación robusta de hábitats. Además, existen desafíos específicos:
  1. Las escenas son amplias y continuas, requiriendo una comprensión contextual global.
  2. Algunos tipos de hábitats (ej. "Pastizal Mejorado" vs. "Pastizal Neutro") son visualmente muy similares, lo que dificulta la distinción para los algoritmos.

2. Metodología

El estudio se basa en el Censo de las Tierras del Reino Unido (UK Countryside Survey - CS), un conjunto de datos con 5,598 imágenes etiquetadas por expertos que cubren 18 tipos de hábitats (niveles L3 y L4 del sistema UKHab).

Arquitecturas de Modelos Comparadas:
Se evaluaron dos familias de modelos de aprendizaje profundo:

• Redes Neuronales Convolucionales (CNN): Se utilizaron como línea base (ResNeXt, Wide ResNet, EfficientNetV2). Estas se centran en características locales mediante filtros deslizantes.
• Transformadores de Visión (ViT): Se utilizó específicamente la arquitectura Swin Transformer (en variantes Small, Base y Large). A diferencia de las CNN, los ViT utilizan mecanismos de auto-atención para capturar relaciones de contexto global en toda la imagen, lo cual es teóricamente superior para escenas de hábitat extensas.

Paradigmas de Entrenamiento:

1. Aprendizaje Supervisado Clásico: Entrenamiento directo con pérdida de entropía cruzada.
2. Aprendizaje Contrastivo Supervisado (SupCon): Un enfoque de dos etapas diseñado para separar mejor las clases visualmente similares:
   • Pre-entrenamiento: Se entrena el codificador de imágenes con una pérdida contrastiva supervisada para agrupar las representaciones (embeddings) de la misma clase y separar las de diferentes clases.
   • Ajuste fino (Fine-tuning): Se congela el codificador pre-entrenado y se entrena un clasificador lineal estándar sobre las nuevas representaciones.

Evaluación:

• Métricas: Precisión Top-1 y Top-3, Coeficiente de Correlación de Matthews (MCC) y puntuación F1 ponderada (para manejar el desequilibrio de clases).
• Interpretabilidad: Uso de Grad-CAM para visualizar en qué regiones de la imagen se enfoca el modelo.
• Comparación Humana: Se comparó el mejor modelo contra tres ecólogos expertos en un subconjunto de datos.

3. Contribuciones Clave

1. Nuevo Benchmark: Establece un estándar para la clasificación de hábitats a nivel de suelo utilizando imágenes de campo, llenando un vacío en las herramientas de IA para no expertos.
2. Hallazgo de Arquitectura: Demuestra sistemáticamente que los ViT (específicamente Swin Transformer) superan consistentemente a las CNN de última generación en esta tarea.
3. Validación de Paradigma de Entrenamiento: Investiga el uso de SupCon, demostrando que reduce significativamente las tasas de confusión entre hábitats visualmente similares (ej. pastizales), mejorando la fiabilidad para despliegues reales.
4. Comparación con Expertos: Proporciona una evaluación rigurosa comparando la IA con ecólogos humanos, mostrando que el modelo puede alcanzar un rendimiento comparable al de expertos en ciertas métricas.

4. Resultados

• Rendimiento General: Los modelos ViT superaron a todas las CNN. El modelo SwinT-B logró:
  • Precisión Top-3: 91.42% (superando a las CNN en ~3-4 puntos).
  • MCC: 0.659 (superior a las CNN).
  • Precisión Top-1: 70.03%.
• Interpretabilidad: Los mapas de activación (Grad-CAM) mostraron que los ViT se enfocan en el contexto global de la escena (ej. la extensión del pastizal), mientras que las CNN a menudo se distraían con objetos irrelevantes (como el encuestador o su equipo) o se centraban en características locales demasiado estrechas.
• Impacto del SupCon: El uso de SupCon mejoró el rendimiento del SwinT-B en todas las métricas. Específicamente, redujo la confusión entre "Pastizal Mejorado" y "Pastizal Neutro" (disminuyendo errores en ambas direcciones) y mejoró la clasificación de hábitats de humedales (FMS).
• Comparación Humana:
  • El modelo SwinT-B + SupCon superó ligeramente al mejor experto humano en Precisión Top-1 (63.92% vs 63.69%) y significativamente en Top-3 (+7.72%).
  • El modelo tuvo dificultades con hábitats raros (ej. Montano) debido a la escasez de datos de entrenamiento, un problema que también afecta a los humanos.
  • Los modelos CNN entrenados con SupCon no alcanzaron el nivel de los expertos, quedando muy por detrás de los ViT.

5. Significado e Implicaciones

• Viabilidad de la IA en el Campo: Este estudio demuestra que es posible automatizar la clasificación de hábitats a nivel de suelo con un rendimiento comparable al de expertos, lo que podría reducir drásticamente los costos y la carga de trabajo en la conservación.
• Superioridad del Contexto Global: Confirma que para la ecología a nivel de suelo, donde el contexto espacial y la continuidad de la vegetación son vitales, los mecanismos de atención global (ViT) son superiores a las aproximaciones locales (CNN).
• Mejora de la Fiabilidad: La integración de aprendizaje contrastivo supervisado es crucial para manejar la ambigüedad visual inherente a los hábitats naturales, reduciendo errores críticos que podrían llevar a malas decisiones de gestión del suelo (ej. fertilización incorrecta o pérdida de hábitats valiosos).
• Futuro: El marco propuesto es escalable y costo-efectivo. Los autores sugieren que el siguiente paso es expandir la clasificación a niveles más finos (L4) y integrar metadatos adicionales (clima, suelo, especies clave) para cerrar la brecha restante con los expertos humanos.

En resumen, la investigación establece un nuevo paradigma para el monitoreo de hábitats, combinando técnicas de IA de vanguardia (ViT + SupCon) con datos ecológicos de alta calidad para ofrecer una herramienta escalable que apoya la toma de decisiones sobre el uso de la tierra y la conservación de la biodiversidad.