The first global agricultural field boundary map at 10m resolution

Resumen Técnico: El Primer Mapa Global de Límites de Parcelas Agrícolas a 10 m de Resolución

Enunciado del Problema
La parcela agrícola es la unidad fundamental para la siembra, la gestión, la regulación y el informe de cultivos. Sin embargo, la mayoría de los productos globales de teledetección para la agricultura (por ejemplo, máscaras de tierras de cultivo, índices de vegetación) operan a nivel de píxel, tratando el paisaje como una superficie continua. Esto genera una discrepancia persistente entre la monitorización basada en satélites y la organización agrícola a nivel de terreno. Aunque existen datos de alta calidad a nivel de parcela para partes de Europa a través de registros de parcelas (LPIS) o para países individuales mediante productos de aprendizaje automático (ML), hasta la fecha no ha existido ningún mapa de límites de parcelas agrícolas globalmente consistente y de acceso abierto. Los modelos regionales existentes no pueden garantizar una calidad comparable a través de las fronteras, y la digitalización manual es demasiado lenta y costosa para escalas globales. Además, el número total de parcelas agrícolas en todo el mundo sigue siendo desconocido, lo que representa una línea base faltante para el análisis cuantitativo de la producción mundial de alimentos y el uso de la tierra.

Metodología
Los autores presentan un enfoque de tres etapas para generar el primer conjunto de datos global de límites de parcelas a 10 m de resolución para 2024 y 2025:

1. Entrenamiento del Modelo: El estudio utilizó el modelo PRUE, una arquitectura U-Net con un codificador EfficientNet-B7, entrenado sobre el conjunto de datos de referencia "Fields of The World" (FTW). FTW proporciona 1,6 millones de polígonos de parcelas de 24 países emparejados con imágenes Sentinel-2 bi-temporales. El modelo realiza una segmentación semántica de tres clases (interior de la parcela, límite de la parcela, fondo) a 10 m de resolución.
2. Generación de Mosaicos e Inferencia Global: Se generaron mosaicos de Sentinel-2 sin nubes para las temporadas de cosecha y siembra en todas las zonas terrestres entre 60°S y 84°N. Los autores seleccionaron escenas con <20% de cobertura de nubes y calcularon valores medianos por píxel para las bandas roja, verde, azul e infrarroja cercana. La inferencia se realizó en parches superpuestos de 256×256 píxeles utilizando un clúster de 256 GPUs NVIDIA A10G. Las predicciones se unieron mediante promediado ponderado por Gaussiana, y las instancias individuales de parcelas se extrajeron mediante análisis de componentes conectados en la clase predicha de interior de la parcela.
3. Validación y Modelado de Confianza:
   • Validación: El modelo se evaluó frente a datos de verdad terrestre en 24 países (recuperación a nivel de píxel) y frente a bases de datos nacionales completas de LPIS/INVEKOS en Austria, Letonia y Finlandia (precisión, recuperación, F1).
   • Capa de Confianza: Para abordar la falta de datos de referencia en la mayor parte del mundo, se desarrolló una capa de confianza de 500 m. Esta capa predice si una celda de 500 m contiene predicciones de parcelas verdaderamente positivas. Se entrenó utilizando un clasificador Random Forest sobre características derivadas de las salidas del modelo (entropía, densidad de predicción) y, en algunas configuraciones, el acuerdo con ocho productos globales independientes de tierras de cultivo. El modelo distingue entre áreas con parcelas genuinas y áreas donde el modelo podría producir patrones espurios (por ejemplo, sobre bosques o humedales).

Contribuciones Clave

• Conjunto de Datos Global: El lanzamiento del primer conjunto de datos global de límites de parcelas a 10 m de resolución, que comprende 3,17 mil millones de polígonos de parcelas de teledetección en 241 países y territorios (1,62 mil millones en 2024 y 1,55 mil millones en 2025).
• Capa de Confianza: La introducción de un ráster de confianza de 500 m que identifica las regiones donde las predicciones son fiables. Esta capa logró un Área Bajo la Curva de Característica Operativa del Receptor (AUC) de 0,82 frente a la verdad terrestre utilizando únicamente características internas del modelo.
• Productos de Datos Abiertos: El conjunto de datos se publica bajo una licencia CC-BY en formatos nativos de la nube, proporcionando tres productos distintos:
  1. Un conjunto de datos de límites de parcelas predeterminado con umbral de confianza (reteniendo ~844 millones de parcelas en 2025 con conf ≥0,4).
  2. El conjunto de datos completo sin filtrar para uso personalizado.
  3. Un ráster de confianza de valor continuo para su uso como peso por celda o propiedad filtrable.

Resultados

• Recuperación a Nivel de Píxel: Validado frente a límites de verdad terrestre en 24 países, el mapa logró una recuperación media a nivel de píxel de 0,85. Catorce países superaron una recuperación de 0,90, con Brasil (0,970), Lituania (0,955) y Francia (0,953) mostrando el mejor rendimiento. Una recuperación menor en regiones como Luxemburgo y Camboya se atribuyó a la heterogeneidad del paisaje o a una desalineación de la verdad terrestre.
• Validación de País Completo: Frente a bases de datos nacionales, las predicciones sin filtrar de 2024 arrojaron puntuaciones F1 de 0,89 en Austria, 0,88 en Letonia y 0,74 en Finlandia. El rendimiento en Finlandia se degradó significativamente en latitudes más altas (F1 < 0,13 en Laponia) debido a una sobre-predicción en claros de bosques boreales y humedales, un modo de fallo capturado por la capa de confianza.
• Comparación Distribucional: En Zambia, donde no hay verdad terrestre disponible, los datos de PRUE 2025 se compararon con un conjunto de datos independiente derivado de ML. Aunque PRUE produjo un número comparable de polígonos, mostró una sobre-fragmentación, mapeando parcelas individuales de pequeños agricultores como grupos de polígonos a escala de píxel con menor fidelidad geométrica (área mediana de 0,07 ha frente a 0,31 ha en la referencia).
• Rendimiento de la Capa de Confianza: El modelo de confianza logró un AUC de 0,82 en una validación cruzada de 5 pliegues. La evaluación de "dejar un país fuera" confirmó la transferibilidad geográfica con un AUC medio de 0,84.

Significado y Afirmaciones
El artículo afirma que este trabajo aborda una brecha crítica en la monitorización agrícola global al proporcionar la primera cobertura "de pared a pared" con información de calidad espacialmente explícita. El significado radica en:

• Cambio de la Unidad de Análisis: Pasar del análisis a nivel de píxel al análisis a nivel de parcela permite nuevas métricas computables, como la estructura agregada de la granja, el mapeo de tipos de cultivos consciente de los límites y la medición, informe y verificación (MRV) a nivel de parcela para programas de conservación.
• Consistencia Global: A diferencia de unir modelos regionales, un único modelo desplegado globalmente asegura una capa internamente consistente que puede compararse a través de las fronteras sin ensamblaje por parte del usuario.
• Accesibilidad: Al publicar los datos abiertamente bajo una licencia CC-BY, los autores buscan reducir las barreras para instituciones que carecen de acceso a datos LPIS propietarios o recursos para encargar conjuntos de datos equivalentes, incluidas las agencias nacionales de estadística y las ONG.
• Utilidad Escalonada: La inclusión de la capa de confianza permite un modelo de acceso escalonado, permitiendo a los usuarios elegir compensaciones entre precisión y recuperación apropiadas para sus aplicaciones específicas (por ejemplo, monitorización general frente a informes de políticas).

Los autores señalan explícitamente las limitaciones, incluido el alcance del entrenamiento del modelo (solo cultivos anuales, excluyendo pastos y cultivos perennes), los sesgos geográficos en los datos de entrenamiento (fuertemente europeos) y el hecho de que los indicadores de confianza de 500 m no capturan la precisión geométrica a nivel de polígono. Enfatizan que el conjunto de datos está destinado a la investigación y la monitorización, no como un producto catastral o de tenencia de la tierra.