Towards Generalizable Mapping of Hedges and Linear Woody Features from Earth Observation Data: a national Product for Germany

Resumen Técnico: Hacia un Mapeo Generalizable de Setos y Elementos Leñosos Lineales a partir de Datos de Observación de la Tierra

Planteamiento del Problema
Los elementos leñosos lineales (ELL), como setos, líneas de árboles y vegetación ribereña, son críticos para la biodiversidad, la adaptación climática y la protección del suelo. Sin embargo, el mapeo sistemático y a gran escala de estos elementos utilizando datos de Observación de la Tierra (OT) sigue siendo un desafío metodológico. Los enfoques existentes suelen ser altamente especializados, dependiendo de combinaciones estrechas de sensores específicos, resoluciones espaciales y condiciones de adquisición (por ejemplo, con hojas vs. sin hojas). En consecuencia, estos flujos de trabajo carecen de transferibilidad; aplicar un modelo entrenado en un conjunto de datos a una región diferente o a un tipo de sensor distinto generalmente resulta en una degradación significativa del rendimiento o requiere un reentrenamiento extensivo. Además, la diversidad de datos de OT disponibles en Alemania, desde ortofotos de alta resolución hasta mapas de altura de dosel, carece de un pipeline de procesamiento unificado que pueda manejar esta heterogeneidad manteniendo un único modelo de segmentación reutilizable.

Metodología
Los autores proponen un flujo de trabajo modular diseñado para desacoplar la generación de una máscara binaria de vegetación leñosa de la separación morfológica de los elementos lineales. El flujo de trabajo consta de dos componentes optimizables de forma independiente:

1. Interfaz de Datos de Entrada Heterogéneos: Este módulo consolida diversas fuentes de datos de OT en un producto intermedio unificado: una máscara binaria de vegetación leñosa. El estudio utiliza tres fuentes de entrada distintas para Alemania:

   • Datos del BKG: Una combinación de ortofotos digitales de 20 cm (DOP20), Modelos Digitales de Superficie (DSM) de 1 m, Modelos Digitales del Terreno (DTM) de 1 m y huellas de edificios. Debido a la naturaleza de mosaico de los DOP20 (fechas de adquisición variables, condiciones con/sin hojas y mejoras de contraste), se emplea una lógica de procesamiento condicional. Esto incluye generar un DSM normalizado (nDSM), crear una máscara de edificios y aplicar umbralización de NDVI específica por tesela basada en metadatos de adquisición para derivar la máscara de vegetación.
   • Mapa de Altura de Dosel (CHMv2): Un producto global derivado de imágenes de Maxar (aproximadamente 0,73 m de resolución en Alemania), procesado mediante un umbral de altura simple.
   • Mapa de Altura de Dosel de Liu et al. (2023): Un producto de 3 m de resolución derivado de imágenes de PlanetScope, también procesado mediante umbralización de altura.

2. Red Neuronal Profunda para Separación Morfológica: Un modelo de aprendizaje profundo, basado en una arquitectura U-Net modificada, se entrena para separar elementos lineales de elementos no lineales (parches) dentro de las máscaras de vegetación binarias.

   • Estrategia de Entrenamiento: Crucialmente, el modelo se entrena exclusivamente con datos sintéticos generados proceduralmente. Esto evita la dependencia de etiquetas del mundo real específicas de un sitio, mejorando la transferibilidad espacial. El generador de datos sintéticos crea escenas de 1.024 × 1.024 píxeles con combinaciones aleatorias de fondo, elementos lineales (formas angulares y orgánicas) y parches (grandes, medianos, diminutos).
   • Arquitectura y Entrada: El modelo acepta una entrada de tres canales: la máscara de vegetación binaria, su esqueleto y una transformada de distancia. Utiliza dos cabezales de salida: uno para segmentación de tres clases (fondo, lineal, no lineal) y un cabezal secundario para la predicción del esqueleto restringida a elementos lineales.
   • Función de Pérdida: El objetivo de entrenamiento combina entropía cruzada ponderada, una pérdida Dice enfocada en la clase lineal subrepresentada y una pérdida basada en el esqueleto para imponer continuidad topológica.
   • Inferencia: El modelo procesa las máscaras a escala nacional en teselas superpuestas. El postprocesamiento incluye refinamiento basado en el esqueleto (eliminación de píxeles alejados del esqueleto predicho) y la exclusión de estructuras lineales no vegetadas conocidas (por ejemplo, puentes, parques solares) utilizando datos vectoriales.

Contribuciones Clave

• Un Flujo de Trabajo Conceptual: Un pipeline unificado que integra datos de entrada heterogéneos (ortofotos, DSM/DTM, mapas de altura de dosel) en una única máscara binaria intermedia, permitiendo el uso de un único modelo entrenado en diferentes configuraciones de datos.
• Metodología de Entrenamiento Sintético: Un enfoque de entrenamiento basado enteramente en la generación de datos sintéticos, que permite un modelo espacialmente independiente que no requiere reentrenamiento al aplicarse a nuevas regiones o tipos de sensores.
• Productos a Escala Nacional: La derivación de tres mapas nacionales de elementos leñosos lineales para Alemania con resoluciones espaciales de 0,73 m, 1 m y 3 m, demostrando la flexibilidad del flujo de trabajo.
• Marco de Evaluación: Una evaluación exhaustiva utilizando datos de referencia independientes de cuatro estados federales (Baviera, Brandeburgo, Baden-Wurtemberg, Renania del Norte-Westfalia) y una nueva métrica basada en el esqueleto (AUC de puntuaciones F1 sobre umbrales de distancia variables) para evaluar el acuerdo topológico, mitigando la sensibilidad de las métricas píxel a píxel a las diferencias de resolución.

Resultados
El estudio evaluó los tres mapas derivados frente a datos de referencia y dos conjuntos de datos existentes (Huber-García et al., 2025; Muro et al., 2025).

• Rendimiento: El flujo de trabajo produjo resultados competitivos en todos los sitios de evaluación. Los modelos derivados de los datos del BKG (1 m) y del CHMv2 (0,73 m) superaron generalmente a los modelos de 3 m de resolución (Liu et al. y Muro et al.) en términos de corrección topológica.
• Impacto de la Resolución: Aunque las entradas de mayor resolución produjeron salidas más detalladas, la evaluación basada en el esqueleto mostró que la brecha de rendimiento entre resoluciones fue menos pronunciada al centrarse en la alineación topológica en lugar de la superposición estricta de píxeles.
• Generalizabilidad: Un único modelo entrenado con datos sintéticos procesó con éxito tres fuentes de entrada distintas sin reentrenamiento, validando la transferibilidad del flujo de trabajo.
• Limitaciones: La resolución de 1 m de la máscara derivada del BKG (limitada por el DSM) condujo a la exclusión de elementos lineales de bajo crecimiento, resultando en una brecha de rendimiento en comparación con el estudio de 20 cm de resolución de Huber-García et al. Además, las teselas adquiridas en condiciones sin hojas requirieron una rama de procesamiento simplificada, introduciendo ocasionalmente estructuras no vegetadas (por ejemplo, puentes) que requirieron eliminación en el postprocesamiento.

Significado
El artículo argumenta que el flujo de trabajo propuesto aborda el cuello de botella crítico de la transferibilidad espacial en el mapeo de elementos leñosos lineales. Al abstraer los datos de entrada en una máscara binaria y tratar la tarea de extracción como un problema generalizado de separación morfológica resuelto por un modelo entrenado con datos sintéticos, el enfoque elimina la necesidad de reentrenamiento específico por región. Esta modularidad permite a los expertos de dominio optimizar la generación de la máscara de vegetación según los datos locales disponibles, mientras que los especialistas en aprendizaje profundo pueden mejorar independientemente el modelo de segmentación. Los autores postulan que este diseño proporciona una base para un mapeo escalable más allá de Alemania, extendiéndose potencialmente a escalas europeas o globales utilizando productos existentes de altura de dosel global, siempre que se establezcan conjuntos de datos de referencia estandarizados para la validación futura.