Self-Supervised Tree-level Biomass Estimation in Urban Environments From Airborne LiDAR and Optical Observations

Resumen Técnico: Estimación de la Biomasa a Nivel de Árbol mediante Aprendizaje Automático No Supervisado en Entornos Urbanos

Planteamiento del Problema
Los árboles urbanos constituyen un componente crítico de los depósitos de carbono terrestre; sin embargo, su biomasa es menos explícita espacialmente y menos consistente que la de los bosques gestionados. Las estimaciones existentes suelen depender de inventarios de muestreo o productos de teledetección de resolución gruesa (p. ej., 10–30 m), los cuales no logran resolver copas de árboles individuales ni capturar la heterogeneidad de escala fina en tejidos urbanos complejos. Además, el mapeo escalable se ve obstaculizado por tres brechas metodológicas: (1) la dependencia de la anotación manual a nivel de píxel para el entrenamiento supervisado, lo que limita la cobertura; (2) la contribución relativa incierta de los errores de delineación de copas automatizados frente a los errores de los modelos alométricos en la incertidumbre total; y (3) la escasez de productos de biomasa a escala de copa multitemporales acompañados de capas de incertidumbre espacialmente explícitas.

Metodología
El estudio presenta un marco de fusión multimodal auto-supervisado aplicado a un paisaje urbano-rural de 810 km² en el sur de Ontario, Canadá, utilizando LiDAR aéreo bi-temporal (2018 y 2023; 8–10 pulsos m⁻²) y ortofotografía RGB de infrarrojo cercano (0.16–0.20 m) adquirida en condiciones de ausencia de follaje (leaf-off).

1. Generación de Pseudo-etiquetas: Para eliminar la necesidad de anotación manual, los autores desarrollaron un marco basado en reglas para generar pseudo-etiquetas ruidosas. Esto implicó:
   • Detección de Edificios: Análisis de planaridad basado en raster sobre el Modelo de Altura de Dosel (CHM) combinado con filtrado morfológico.
   • Clasificación de la Vegetación: Diferenciación de árboles de hoja perenne (coníferas) y caducifolios utilizando umbrales de altura del CHM e índices espectrales (criterios de NDVI y HSV) bajo condiciones de ausencia de follaje, donde las copas de coníferas retienen un NDVI alto mientras que las de caducifolios no lo hacen.
2. Red Neuronal Auto-supervisada: Se entrenó una red ConvNeXtV2 U-Net de atención cruzada de doble flujo sobre estas pseudo-etiquetas. La arquitectura procesa entradas ópticas (NIR, R, G, B) y estructurales (CHM) a través de codificadores paralelos, utilizando bloques de atención cruzada para fusionar características.
   • Función de Pérdida: El modelo empleó un objetivo multitarea que combina segmentación de cobertura terrestre, clasificación de tipo de árbol y reconstrucción de entrada auxiliar. Crucialmente, utilizó una Pérdida de Negativo Activo (ANL-CE) para mitigar el sobreajuste a las pseudo-etiquetas ruidosas.
   • Cuantificación de la Incertidumbre: Se utilizó un ensamblaje profundo (deep ensemble) de 25 modelos (variando pliegues e hiperparámetros) para generar mapas de incertidumbre por píxel, distinguiendo la incertidumbre aleatoria (datos) y la epistémica (modelo).
3. Delineación de Copas: Las copas de árboles individuales se delinearon mediante segmentación de cuenca (watershed) multiescala en el CHM dentro de las áreas de árboles identificadas. Se aplicaron tres escalas para abordar la sobre-segmentación de árboles pequeños y la sub-segmentación de copas grandes y superpuestas.
4. Estimación de la Biomasa: Un modelo de aproximación de ley de potencia ($AGB = e^\alpha \cdot (CA \cdot H)^\beta$) se calibró contra ecuaciones alométricas específicas de especies (Lambert et al., 2005) utilizando 21,921 árboles de inventario de Oakville.
   • Selección de Ecuaciones: A las copas con baja incertidumbre se les asignaron ecuaciones específicas por grupo funcional (caducifolios vs. coníferas); las copas con incertidumbre fueron dirigidas a una ecuación de "todos los árboles" para evitar extrapolaciones no fiables.
   • Validación: La precisión se evaluó frente a un conjunto de prueba excluido de 90,726 árboles, comparando las predicciones derivadas de la geometría de inventario (límite superior) frente a la segmentación operativa de cuenca.

Resultados Clave

• Desempeño de la Segmentación: El modelo de ensamblaje mejoró las pseudo-etiquetas iniciales basadas en reglas en todas las métricas. Frente a teselas anotadas manualmente, el modelo alcanzó una precisión media de 0.86, una exhaustividad (recall) de 0.83 y un coeficiente Dice de 0.84. La detección de edificios fue particularmente robusta (Dice 0.95), mientras que la segmentación de coníferas fue la clase más desafiante (Exhaustividad 0.66).
• Precisión de la Estimación de la Biomasa:
  • Al utilizar la geometría de copa derivada del inventario (aislando el error alométrico), el modelo alcanzó $R^2 = 0.609$.
  • Bajo condiciones operativas utilizando la segmentación automatizada, el $R^2$ disminuyó a 0.570.
  • Las estimaciones de coníferas fueron más precisas ($R^2 = 0.646$) que las de caducifolios ($R^2 = 0.553$), debido a que las copas de coníferas presentan picos de altura más claros en los datos de CHM.
  • La caída en el desempeño desde la geometría de inventario hacia la operativa identificó el error de delineación de copas como la fuente dominante de incertidumbre, particularmente para árboles grandes, que son propensos a la sub-segmentación.
• Hallazgos Espaciales y Temporales:
  • Los depósitos totales de Biomasa Aérea (AGB) aumentaron de 1.73 Tg (811 Gg C) en 2018 a 1.81 Tg (850 Gg C) en 2023, representando una ganancia neta de carbono de 39 Gg C.
  • Las altas densidades de biomasa (~140 Mg ha⁻¹) se concentraron a lo largo de la Escarpa de Niágara y los corredores riparios, mientras que las zonas residenciales y comerciales mostraron densidades menores.
  • Los mapas de incertidumbre de ensamblaje profundo identificaron con éxito regiones de alta incertidumbre epistémica (p. ej., zonas agrícolas y de transición) donde los datos de entrenamiento estaban subrepresentados.

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona un flujo de trabajo prototipo escalable para la estimación de la biomasa urbana que opera exclusivamente con datos de sensores provinciales estándar sin necesidad de anotación manual. Las contribuciones clave son:

1. Escalabilidad: Demostrar que la pseudo-etiquetación basada en reglas combinada con el refinamiento de redes neuronales puede lograr una alta precisión en entornos urbanos heterogéneos, superando el cuello de botella del etiquetado manual.
2. Caracterización del Error: Cuantificar explícitamente que los errores de delineación de copas, más que los errores de los modelos alométricos, son la principal limitación en la estimación operativa de AGB, con un enfoque específico en la sub-segmentación de árboles grandes.
3. Mapeo Consciente de la Incertidumbre: Proporcionar una base de datos bi-temporal a nivel de copa con una capa de incertidumbre asociada, permitiendo a los usuarios distinguir entre áreas de alta confianza y aquellas que requieren validación de campo.
4. Contabilidad de Carbono: Ofrecer una alternativa espacialmente explícita a los métodos de resolución gruesa o basados en muestreo, resultando en una base de datos pública relevante para la gestión municipal y la contabilidad regional de carbono para "árboles fuera de los bosques".

El estudio mantiene un tono modesto respecto a los valores absolutos de biomasa, reconociendo que el uso de ecuaciones alométricas derivadas de bosques para árboles urbanos de crecimiento abierto puede introducir un sesgo sistemático. Sin embargo, los autores sostienen que los patrones espaciales y temporales relativos siguen siendo robustos, proporcionando un paso fundamental hacia una contabilidad de carbono urbana más consistente.