When Earth Foundation Models Meet Diffusion: An Application to Land Surface Temperature Super-Resolution

Resumen Técnico: EFDiff para Super-Resolución de Temperatura de la Superficie Terrestre

1. El Problema

La Temperatura de la Superficie Terrestre (LST, por sus siglas en inglés) es un parámetro crítico para el monitoreo ambiental, la gestión de sequías y el estudio de islas de calor urbanas. Sin embargo, existe una compensación histórica entre la resolución espacial y temporal en las observaciones satelitales:

• MODIS: Ofrece cobertura global diaria pero con baja resolución espacial (~1 km).
• Landsat: Ofrece alta resolución (~100 m) pero con un ciclo de revisita largo (16 días).

El objetivo es realizar una super-resolución extrema (32×) para reconstruir campos térmicos de alta resolución (30 m) a partir de observaciones gruesas (960 m). Este es un problema mal planteado (ill-posed) severamente:

• Un solo píxel térmico grueso puede contener múltiples tipos de cobertura terrestre, materiales y condiciones de humedad, perdiendo los límites finos que gobiernan el contraste térmico local.
• Los métodos deterministas existentes tienden a minimizar el error píxel a píxel prediciendo medias condicionales, lo que resulta en transiciones espaciales borrosas y extremos locales atenuados.
• La mayoría de los métodos actuales dependen de variables físicas manuales o bandas espectrales crudas, que no codifican semánticas geoespaciales de alto nivel necesarias para desambiguar mezclas sub-píxel.

2. Metodología: EFDiff

Los autores proponen EFDiff (Earth Foundation Model-guided Diffusion), un marco novedoso que combina Modelos Fundacionales de la Tierra (EFM) con Modelos de Difusión para la reconstrucción generativa.

Componentes Clave:

• Codificador de Contexto (EFM): Utilizan el modelo Prithvi-EO-2.0 (un ViT-Large preentrenado con MAE en un corpus global de imágenes HLS de 30 m).
  • Este modelo codifica la reflectancia multiespectral de alta resolución en incrustaciones geoespaciales (Z).
  • El codificador se mantiene congelado durante el entrenamiento para preservar las representaciones preentrenadas y evitar el olvido catastrófico.
• Red de Eliminación de Ruido (Denoising Network): Una arquitectura UNet que opera en el espacio de residuos ($R = Y - \tilde{X}$), donde $\tilde{X}$ es el campo térmico grueso remuestreado.
  • Mecanismo de Condicionamiento: A diferencia de los métodos anteriores que concatenan canales (HLS channel concatenation), EFDiff inyecta las incrustaciones geoespaciales $Z$ en la red de difusión a través de capas de atención cruzada (cross-attention).
  • Esto permite que la red utilice el contexto semántico de alto nivel (bordes de vegetación, tejido urbano, cuerpos de agua) para guiar la reconstrucción de detalles finos, en lugar de depender solo de señales de bajo nivel.

Variantes del Modelo:
Se estudian dos formulaciones que ofrecen compensaciones (trade-offs) diferentes:

1. EFDiff-ϵ: Basado en el marco DDPM estándar. Predice el ruido añadido ($\epsilon$).
   • Fortaleza: Genera texturas espaciales perceptualmente realistas mediante muestreo estocástico de larga trayectoria.
2. EFDiff-x0: Basado en el proceso de transición de ResShift. Predice directamente el residuo limpio ($x_0$).
   • Fortaleza: Logra una fidelidad a nivel de píxel superior (menor error RMSE) con un coste computacional mucho menor (menos pasos de muestreo).

3. Contribuciones Clave

1. Marco Unificado: Integración exitosa de representaciones geoespaciales preentrenadas (EFM) con modelos generativos de difusión para la super-resolución, superando las limitaciones de los condicionamientos manuales o basados en bandas crudas.
2. Diseño de Atención Cruzada: Demostración de que inyectar incrustaciones semánticas mediante atención cruzada es más efectivo que la concatenación de canales, especialmente en escenas heterogéneas.
3. Benchmark Global: Introducción de un conjunto de datos diverso y a gran escala con 242,416 parches de Landsat (térmico y reflectancia) alineados, cubriendo 3,094 baldosas MGRS globales, bajo un protocolo estricto de super-resolución 32×.
4. Análisis de Compensación: Caracterización detallada de la compensación entre realismo perceptual y fidelidad de píxeles mediante las variantes EFDiff-ϵ y EFDiff-x0.

4. Resultados Experimentales

El modelo se evaluó frente a 9 líneas base (incluyendo CNNs, GANs, Transformers y otros modelos de difusión) en tres categorías de uso de suelo: Bosque, Baja Vegetación y Agua.

• Rendimiento General: EFDiff superó consistentemente a todas las líneas base.
  • EFDiff-x0 logró el mejor rendimiento en métricas de distorsión (RMSE más bajo: ~0.29–0.56 °C) y SSIM, superando incluso a los mejores métodos deterministas como RCAN.
  • EFDiff-ϵ obtuvo las mejores métricas perceptuales (LPIPS ~0.22 y FID < 10 en tierras), mostrando una mejora de ~4x en FID respecto a la mejor línea base no-EFM.
• Efectividad en Escenas Heterogéneas: El análisis de ablatión mostró que la ventaja de la condición EFM es mayor a medida que aumenta la complejidad espacial de la escena. En zonas con límites de cobertura terrestre (donde un píxel grueso mezcla múltiples clases), la atención cruzada EFM reduce significativamente el error en comparación con la concatenación de canales.
• Estructura del Error: Los modelos EFDiff mitigaron eficazmente los "artefactos de tablero de ajedrez" (checkerboard artifacts) típicos de la super-resolución extrema, produciendo distribuciones de error más uniformes y coherentes con los límites térmicos reales.
• Caso de Agua: Aunque el rendimiento en agua fue más desafiante debido a la uniformidad espectral, EFDiff-x0 aún logró una reducción del 16% en el RMSE respecto a las mejores líneas base no-EFM.

5. Significado e Impacto

Este trabajo establece un nuevo paradigma en el procesamiento de imágenes de teledetección:

• Sinergia EFM-Difusión: Demuestra que los modelos fundacionales preentrenados no solo sirven para tareas discriminativas (clasificación/segmentación), sino que actúan como priors semánticos potentes para guiar la reconstrucción generativa.
• Aplicabilidad General: Aunque se presenta para LST, el marco es aplicable a cualquier problema de teledetección donde las representaciones geoespaciales preentrenadas puedan guiar la reconstrucción de detalles finos a partir de observaciones degradadas.
• Resolución de Ambigüedad: Proporciona una solución efectiva al problema de "mal planteado" en la super-resolución extrema, utilizando el contexto semántico para desambiguar las mezclas sub-píxel que los métodos tradicionales no pueden resolver.

En conclusión, EFDiff demuestra que combinar la riqueza semántica de los modelos fundacionales de la Tierra con la capacidad de modelar la incertidumbre de los modelos de difusión permite superar las limitaciones fundamentales de la super-resolución térmica, logrando reconstrucciones de alta fidelidad y realismo en escalas espaciales extremas.