Resumen Técnico: TERRA-CD

Declaración del Problema

El monitoreo de la vegetación urbana mediante imágenes satelitales es fundamental para la evaluación ambiental y la planificación urbana. Sin embargo, el desarrollo de metodologías avanzadas de detección de cambios se ve obstaculizado por la escasez de conjuntos de datos integrales. Los recursos existentes se centran predominantemente en la detección de cambios binaria (cambiado vs. no cambiado) o en la evaluación específica de daños por desastres. Aunque existen algunos conjuntos de datos multiclase (por ejemplo, HRSCD, SECOND), a menudo están concentrados geográficamente (principalmente en China), limitados en volumen de pares de imágenes o restringidos a aplicaciones específicas como la expansión urbana, descuidando el monitoreo matizado de la dinámica de la vegetación en diversos entornos urbanos de Estados Unidos y Europa.

Metodología

Construcción del Conjunto de Datos (TERRA-CD)

Los autores presentan TERRA-CD (Repositorio de Teledetección Temporal para el Análisis de Detección de Cambios), un conjunto de datos de referencia a gran escala diseñado para la Detección de Cambios Multiclase (MCD) y la Detección de Cambios Semántica (SCD).

• Fuente de Datos: El conjunto de datos comprende 5.221 pares de imágenes bitemporales (256×256 píxeles) derivados de imágenes Sentinel-2 Nivel-2A (resolución de 10 m).
• Alcance Temporal: Las imágenes fueron capturadas durante julio-septiembre de 2019 y 2024.
• Cobertura Geográfica: Abarcando 232 ciudades en Estados Unidos (171 ciudades) y Europa (61 ciudades), seleccionadas basándose en un umbral de población de >50.000 para garantizar diversidad urbana y de vegetación.
• Esquemas de Anotación: El conjunto de datos proporciona tres tipos de máscaras distintos:
  1. Mapeo de Cobertura Terrestre (LCM): 4 clases (Agua, Área Construida, Vegetación Escasa, Vegetación Densa).
  2. Detección de Cambios Multiclase (MCD): 3 clases (Sin Cambio, Aumento de Vegetación, Disminución de Vegetación).
  3. Detección de Cambios Semántica (SCD): 13 clases que capturan todas las transiciones posibles entre las 4 clases de cobertura terrestre.
• Pipeline de Generación:
  • Adquisición: Se utilizó la API de Python de Google Earth Engine para descargar imágenes de Reflectancia Superficial (SR) corregidas atmosféricamente.
  • Clasificación: Las máscaras de cobertura terrestre se generaron utilizando un clasificador automatizado de Máquinas de Vectores de Soporte (SVM) entrenado con 50.000 puntos por clase, guiado por umbrales de NDVI y la Máscara de Agua de Sentinel (SWM).
  • Enmascaramiento de Cambios: Las máscaras MCD y SCD se derivaron mediante comparación basada en píxeles de las máscaras LCM de 2019 y 2024.
  • Preprocesamiento: Para abordar el ruido y el desequilibrio de clases, los autores aplicaron filtrado de ruido morfológico (operación de apertura) y limpieza de datos basada en histogramas para eliminar baldosas con distribuciones extremas de píxeles de "sin cambio" (filtrando entre el 80% y el 99,5% de píxeles sin cambio).
• División: Los datos se dividen en 70:15:15 (Entrenamiento:Validación:Prueba) sin agrupación por ciudad para garantizar la generalizabilidad en diferentes entornos urbanos.

Marco de Referencia (Benchmarking)

Los autores evaluaron la utilidad del conjunto de datos poniendo a prueba diversas arquitecturas de aprendizaje profundo:

• Modelos MCD: Redes Siamesas (variantes FC-Siam), variantes STANet (Base, BAM, PAM), variantes SNUNet y métodos de Comparación Post-Clasificación (PCC) utilizando UNet, LinkNet, DeepLabv3+ y PSPNet.
• Modelos SCD: Cuatro estrategias de HRSCD, Bi-SRNet y Changemask.
• Estrategia de Entrenamiento: Los experimentos se realizaron en GPUs NVIDIA RTX 2080 Ti utilizando PyTorch. Para abordar el desequilibrio de clases, los autores implementaron Pérdida de Entropía Cruzada con pesos de clase calculados mediante el método de la raíz cuadrada de la frecuencia inversa. La optimización utilizó el optimizador AdamW con un programador ReduceLROnPlateau.

Resultados Clave

Los resultados de la referencia demuestran que TERRA-CD apoya un entrenamiento efectivo para las tareas tanto de MCD como de SCD:

• Rendimiento MCD: Entre los modelos probados para la tarea de cambio de vegetación de 3 clases, LinkNet logró el rendimiento más alto con una Precisión General (OA) de 98,06%, una puntuación F1 de 79,37% y un coeficiente Kappa de 70,64%. Multi STANet-BAM y Multi SNUNet-conc también rindieron de manera competitiva.
• Rendimiento SCD: Para la tarea de cambio semántico de 13 clases, la Estrategia 4 de HRSCD obtuvo los mejores resultados con una OA de 93,94%, una puntuación F1 de 94,50% y un mIoU de 71,83%.
• Comparación: Las métricas de rendimiento en todos los modelos evaluados caen dentro de rangos comparables a los reportados en otros conjuntos de datos prominentes como HRSCD, SECOND y Hi-UCD, validando la calidad y utilidad del conjunto de datos.

Significado y Afirmaciones

El artículo afirma que TERRA-CD aborda brechas críticas en los recursos existentes de teledetección al proporcionar un conjunto de datos a gran escala y geográficamente diverso centrado específicamente en el cambio de vegetación urbana.

• Novedad: A diferencia de conjuntos de datos anteriores que se centran en cambios binarios o evaluaciones específicas de daños, TERRA-CD ofrece un marco de transición semántica granular de 13 clases y un marco de cambio específico de vegetación de 3 clases.
• Equilibrio de Clases: El conjunto de datos presenta una proporción de píxeles de "sin cambio" de aproximadamente 92,95%, lo cual es significativamente menor que el ~99% encontrado en los conjuntos de datos actuales, ofreciendo así un desafío más equilibrado para entrenar modelos que detecten cambios reales.
• Utilidad: Los autores postulan que TERRA-CD sirve como un referente versátil para mejorar los modelos actuales y desarrollar arquitecturas novedosas tanto para MCD como para SCD.
• Perspectiva Futura: Los autores sugieren que, a medida que el cambio climático y la urbanización se intensifiquen, este conjunto de datos acelerará el progreso en el monitoreo ambiental basado en satélites, apoyando la toma de decisiones para el desarrollo sostenible. Se planea un trabajo futuro que incluya la validación manual de todas las máscaras LCM y la integración con fuentes de datos multimodales como SAR y LiDAR.