Land cover and flood type govern the detection limits of satellite-based flood mapping across diverse global flood events

Resumen Técnico: La cobertura del suelo y el tipo de inundación gobiernan los límites de detección del mapeo de inundaciones basado en satélites

Planteamiento del problema
Las inundaciones representan el fenómeno meteorológico natural más frecuente y devastador a nivel mundial, lo que requiere un mapeo de inundaciones basado en satélites preciso y oportuno para la respuesta ante desastres. Si bien los modelos fundacionales geoespaciales (GeoFMs) preentrenados en grandes archivos satelitales ofrecen una promesa de transferibilidad geográfica, su fiabilidad operativa en eventos diversos y no vistos permanece sin caracterizar. Las evaluaciones existentes suelen estar limitadas a condiciones de referencia controladas, regiones fuera de distribución (OOD) limitadas y validación de referencia única, lo que no tiene en cuenta las complejidades de ingeniería del despliegue de extremo a extremo, las inconsistencias de definición entre productos de referencia y los modos de falla dependientes del contexto impulsados por la cobertura del suelo y los mecanismos de inundación.

Metodología
Este estudio desplegó el modelo fundacional Prithvi-EO-2.0 (un Vision Transformer temporal de 600 millones de parámetros preentrenado en 4.2 millones de chips HLS y ajustado con Sen1Floods11) a través de 19 eventos de inundación OOD que abarcan seis continentes, ocho zonas climáticas y seis mecanismos de inundación (2017–2025). La evaluación empleó una metodología de "red-teaming" para identificar y categorizar sistemáticamente los modos de falla a lo largo de todo el flujo de procesamiento, desde la adquisición de datos hasta la validación.

Los componentes metodológicos clave incluyeron:

• Validación de doble referencia: Las predicciones se validaron contra dos productos operativos independientes: Copernicus Global Flood Monitoring (GFM), que mapea agua de inundación transitoria mediante SAR, y OPERA Dynamic Surface Water Extent (DSWx-HLS), que mapea el agua superficial total mediante datos ópticos. Este enfoque tuvo en cuenta las diferencias de definición entre "inundación" y "agua superficial".
• Postprocesamiento basado en la física: Se aplicó un flujo de refinamiento de cuatro etapas para mitigar falsos positivos sistemáticos, incluyendo la corrección de sombras de terreno, el filtrado de aerosoles atmosféricos, la máscara de vegetación y la máscara de cuerpos de agua permanentes.
• Análisis estratificado: El rendimiento se analizó por tamaño de inundación, zona climática de Köppen, mecanismo de inundación y clase de cobertura del suelo de ESA WorldCover.
• Análisis espacial a nivel de parche: Se realizó un análisis de componentes conectados en 79,885 parches de inundación para caracterizar la recuperación de detección como una función del tamaño y la fragmentación del parche.
• Red-teaming iterativo: El flujo de trabajo se sometió a pruebas adversarias iterativas para documentar 23 modos de falla distintos, distinguiendo entre las limitaciones de capacidad del modelo y los errores de ingeniería del flujo de trabajo.

Resultados clave

• Rendimiento general: El modelo logró una puntuación F1 media de 0.61 (IoU 0.46) contra GFM y 0.65 (IoU 0.49) contra DSWx a través de los 19 eventos. Diez de los 19 eventos lograron una detección operativamente útil (F1 > 0.7) sin necesidad de un ajuste fino específico para el evento.
• Dependencia de la cobertura del suelo y el tipo de inundación: La precisión de la detección estuvo fuertemente gobernada por la cobertura del suelo y el tipo de inundación.
  • Alto rendimiento: Los cultivos (Cropland) arrojaron el mayor acuerdo (IoU=52%, F1=69% contra GFM), y los eventos ribereños mostraron la detección más fuerte (F1=0.69).
  • Bajo rendimiento: La cobertura arbórea y las zonas urbanizadas mostraron una detección cercana a cero (IoU=4%) independientemente del mecanismo de inundación. Los eventos de ciclones tropicales funcionaron deficientemente debido a la cobertura de nubes y patrones de inundación complejos.
• Capacidad del modelo vs. Flujo de trabajo: El red-teaming identificó 23 modos de falla, siendo la adquisición de datos y el preprocesamiento responsables del 42% de las interrupciones del flujo de trabajo. La validación inicial contra OPERA DSWx para el evento de Brasil arrojó una precisión y recuperación de aproximadamente 4.9% y 4.6%, respectivamente. Tras resolver sistemáticamente las fallas del flujo de trabajo (ej. desalineación espacial, desajuste temporal, inconsistencia de definición), el rendimiento mejoró a 82% de precisión y 72% de recuperación, demostrando que los errores iniciales estaban dominados por la implementación del flujo de trabajo más que por la capacidad del modelo.
• Fragmentación y tamaño de parche: La recuperación de detección aumentó monótonamente con el tamaño del parche. Los eventos con un índice de fragmentación inferior a 5.0 lograron consistentemente puntuaciones F1 superiores a 0.7, mientras que aquellos que superaron 15.0 no excedieron el 0.5. Los parches pequeños e aislados (<0.1 km²) fueron frecuentemente omitidos.
• Discrepancias de referencia: La validación de doble referencia reveló que el error aparente del modelo reflejaba a menudo inconsistencias de definición entre GFM (solo inundación) y DSWx (agua superficial total) en lugar de una falla de detección. Por ejemplo, el modelo detectó superficies agrícolas saturadas que GFM clasificó como no inundadas.

Significancia y Reivindicaciones
Los autores afirman que este estudio proporciona la primera evaluación sistemática de un modelo fundacional geoespacial desplegado operativamente para el mapeo de inundaciones a través de 19 eventos OOD distribuidos globalmente. La significancia del trabajo radica en:

1. Establecer los límites de detección: Los hallazgos definen los límites de detección dependientes del entorno, identificando los cultivos, los pastizales y los terrenos desnudos como el envolvente de detección confiable, mientras que la cobertura arbórea y las zonas urbanizadas representan los límites estructurales del enfoque óptico de 30 m.
2. Taxonomía de fallas operativas: Al aplicar el red-teaming, el estudio produce la primera taxonomía de modos de falla para el mapeo de inundaciones basado en GeoFMs, revelando que la ingeniería del flujo de trabajo domina el error inicial sobre la capacidad del modelo.
3. Marco de doble referencia: El estudio demuestra la necesidad de validar contra múltiples productos de referencia para distinguir entre la falla del modelo y los desajustes de definición.
4. Guía práctica: Los autores proporcionan recomendaciones accionables para los profesionales, sugiriendo que Prithvi-EO-2.0 puede desplegarse con confianza para eventos ribereños y de rotura de presas sobre terreno abierto, pero no debe usarse como única fuente de detección para inundaciones repentinas o eventos de ciclones tropicales en entornos vegetados o urbanos.

El artículo concluye que, si bien Prithvi-EO-2.0 ofrece una detección operativamente fiable para regímenes específicos, las evaluaciones actuales de IA de inundaciones confinadas a entornos de benchmark subestiman la complejidad de ingeniería del despliegue operativo. El estudio postula que resolver las brechas de detección restantes requiere la integración de múltiples sensores (óptico y SAR) y la diversificación de los datos de entrenamiento etiquetados en regímenes de inundación subrepresentados, en lugar de cambios arquitectónicos en el propio modelo fundacional.