Sequential Feature Selection for Efficient Landslide Segmentation from Multi-Spectral Data

Resumen Técnico: Selección Secuencial de Características para la Segmentación Eficiente de Deslizamientos de Tierra a partir de Datos Multiespectrales

Planteamiento del Problema
La detección de deslizamientos de tierra mediante aprendizaje profundo en imágenes satelitales ha dependido cada vez más de grandes conjuntos de características de entrada altamente correlacionadas, que típicamente combinan las bandas crudas de Sentinel-2 y ALOS PALSAR con numerosos índices espectrales y estructurales ingenierizados. Los autores argumentan que esta práctica de añadir todas las bandas y índices derivados disponibles carece de interpretabilidad física, infla la sobrecarga computacional y corre el riesgo de degradar el rendimiento del modelo debido al fenómeno de Hughes (donde el aumento de la dimensionalidad de entrada en relación con el tamaño de los datos de entrenamiento reduce la precisión). Además, los estudios de ablación convencionales de banda única no logran capturar los efectos de interacción entre canales, dejando mal entendidos los indicios físicos específicos que impulsan las predicciones del modelo.

Metodología
El estudio propone un marco sistemático y explicable de selección de canales aplicado al conjunto de datos de referencia Landslide4Sense, que contiene 3.799 parches multiespectrales a través de cuatro regiones geográficas distintas. La metodología involucra los siguientes componentes:

1. Espacio de Entrada: El grupo candidato consta de 30 canales: las 14 bandas nativas de Sentinel-2/ALOS PALSAR más 16 características ingenierizadas (incluyendo índices de vegetación como NDVI, índices de humedad como NDMI, índices de exposición del suelo como NBR y características estructurales como detectores de bordes y gradientes).
2. Modelo Proxy: Una arquitectura U-Net++ ligera con una base ResNet-50 se utiliza como modelo proxy para todos los experimentos de selección.
3. Algoritmo de Selección: El núcleo del marco es la Selección Flotante Secuencial hacia Adelante (SFFS). A diferencia de la selección hacia adelante codiciosa o las pruebas de eliminación de banda única, SFFS agrega iterativamente la característica que maximiza el rendimiento de validación y posteriormente realiza un paso de eliminación hacia atrás "flotante". Esto permite que el algoritmo elimine características seleccionadas previamente si se vuelven redundantes en presencia de nuevas adiciones, capturando efectivamente interacciones no lineales y redundancias.
4. Protocolo de Entrenamiento: Para abordar el desequilibrio extremo de clases (donde los píxeles de deslizamientos de tierra constituyen solo ~2.5% de los datos), los autores emplean Entropía Cruzada Binaria ponderada por clases combinada con pérdida Dice, muestreo equilibrado por clases y minería de negativos difíciles. Los umbrales se optimizan mediante un barrido de validación (0.3–0.8) para maximizar las puntuaciones F1.
5. Análisis de Atribución: Tras la selección del subconjunto óptimo, se realizan pruebas de Importancia por Permutación. Esto implica barajar los valores de bandas individuales para medir la caída resultante en la puntuación F1, cuantificando la contribución relativa de cada canal retenido.

Contribuciones Clave

• Selección Sistemática de Características: El artículo introduce un enfoque principiado para el diseño de entradas en la observación de la Tierra, alejándose de la estrategia de "añadir todo" hacia una selección basada en datos de características complementarias.
• Identificación de Subconjunto Compacto: El marco identifica con éxito un subconjunto mínimo de 8 canales que preserva o supera el rendimiento de configuraciones que utilizan hasta 30 canales.
• Interpretabilidad Física: Al aislar las entradas necesarias, el estudio examina qué características espectrales y topográficas impulsan genuinamente las predicciones de deslizamientos de tierra, distinguiendo señales informativas del ruido.
• Validación del Fenómeno de Hughes: Los resultados proporcionan evidencia empírica de que añadir índices ingenierizados redundantes o altamente correlacionados puede degradar activamente el rendimiento del modelo en lugar de mejorarlo.

Resultados

• Rendimiento: El subconjunto de 8 canales seleccionado por SFFS logró una puntuación F1 de 78.32%. Esto superó la línea base de 14 bandas espectrales crudas (77.2%), el conjunto completo de 30 canales ingenierizados (77.3%) y una configuración de 23 canales referenciada (78.1%).
• Características Seleccionadas: El subconjunto final de 8 canales incluye:
  • Bandas Espectrales: B4 (Rojo), B5 (Borde Rojo 1), B8 (NIR), B11 (SWIR1) y versiones normalizadas de B3 y B12.
  • Topográficas/Estructurales: Pendiente (B13) y un compuesto en escala de grises (Banda 21).
  • Características Excluidas: La mayoría de los índices espectrales ingenierizados (NDVI, NDMI, NBR, SAVI, EVI, NDWI, MNDWI) y características estructurales (gradientes, detectores de bordes) fueron excluidos consistentemente, lo que sugiere que son redundantes con respecto a las bandas crudas o introducen ruido.
• Importancia de las Características: El análisis de permutación reveló que B4 (Rojo) es el contribuyente dominante al rendimiento del modelo, seguido por la Pendiente y el compuesto en escala de grises. Otras bandas retenidas (B5, B8, B11) mostraron contribuciones moderadas, mientras que el MDE (B14) tuvo un impacto limitado, probablemente debido a la redundancia con la Pendiente.

Significado y Afirmaciones
El artículo afirma que una segmentación precisa de deslizamientos de tierra no requiere el conjunto completo de entradas crudas e ingenierizadas disponibles. En cambio, un subconjunto compacto e interpretable físicamente es suficiente para lograr un rendimiento de vanguardia. Los autores argumentan que:

1. Eficiencia: Reducir la dimensionalidad de entrada de 30 a 8 canales ofrece beneficios significativos en computación y almacenamiento sin sacrificar la precisión.
2. Interpretabilidad: Los modelos que operan sobre un pequeño número de canales físicamente significativos son más fáciles de analizar y explicar, lo cual es crítico para la respuesta operativa ante desastres.
3. Reevaluación de Índices: El estudio desafía la suposición predominante de que los índices espectrales precalculados proporcionan información complementaria; en este contexto, a menudo actúan como transformaciones redundantes de las bandas originales.
4. Diseño Principiado de Entradas: Los autores abogan por SFFS como un enfoque estándar para el diseño de entradas en teledetección, contrastándolo con la práctica actual de esperar que los modelos de aprendizaje profundo aprendan implícitamente a ignorar las entradas irrelevantes.

Los autores mantienen modestia en cuanto a la generalizabilidad, señalando que el estudio se limita al conjunto de datos de referencia Landslide4Sense y que la transferibilidad entre sensores y el rendimiento a través de diferentes arquitecturas requieren mayor investigación.