Resumen Técnico: Cuantificación de la Incertidumbre para Tareas de Regresión de EO

Planteamiento del Problema

Las tareas de regresión de Observación de la Tierra (EO), específicamente la estimación de la altura de edificios, la altura del dosel arbóreo y la biomasa aérea (AGB), son críticas para la planificación urbana, el monitoreo forestal y la política climática. Sin embargo, los modelos estándar de aprendizaje profundo suelen producir predicciones deterministas (valores escalares únicos por píxel) sin indicar la fiabilidad o la confianza de dichas predicciones. Esta falta de cuantificación de la incertidumbre es particularmente problemática en EO debido a desafíos inherentes como las superficies terrestres heterogéneas, las distribuciones de objetivos sesgadas, el ruido de los sensores, la interferencia atmosférica y la saturación de la señal en valores de objetivo altos.

Si bien la estimación de la incertidumbre está bien establecida en la visión por computadora (a menudo utilizando aproximaciones bayesianas o ensambles), su aplicación sistemática a la regresión de EO sigue siendo limitada. Además, las tareas de regresión presentan dificultades únicas en comparación con la clasificación: los espacios de objetivos continuos con distribuciones sesgadas o de cola pesada dificultan la definición de medidas de incertidumbre calibradas. Las suposiciones gaussianas estándar pueden fallar al intentar capturar las incertididades asimétricas comunes en los datos de EO, lo que requiere enfoques alternativos.

Metodología

Los autores proponen modelar la incertidumbre aleatoria (ruido irreducible en los datos) utilizando series temporales de un año de imágenes Sentinel-1 SAR y Sentinel-2 MSI (12 meses, resolución de 10 m). Introducen dos enfoques de aprendizaje profundo complementarios que comparten un tronco común pero difieren en sus cabezales de incertidumbre:

1. Arquitectura de la Red

• Tronco (Backbone): Un codificador CNN compartido basado en ResNet50 procesa la serie temporal de 12 meses (T=12, C=9 canales). Las características se mapean a un espacio latente y son procesadas por dos bloques de Swin Transformer consecutivos mediante atención de ventana desplazada para capturar dependencias espaciotemporales.
• Decodificador: Un decodificador multinivel (L1, L2, L3) mejora las características con atención temporal y las escala para generar predicciones por píxel.

2. Incertidumbre Gaussiana (Gaussian UC)

• Formulación: Un enfoque paramétrico que asume que el objetivo sigue una distribución gaussiana. El modelo predice conjuntamente la media ($\mu$) y la desviación estándar en logaritmo ($\eta = \log \sigma$).
• Función de Pérdida: Entrenada mediante una suma ponderada de:
  • Log-Verosimilitud Negativa (NLL): La pérdida principal, que prioriza los píxeles con valores de verdad de campo distintos de cero.
  • Pérdida de Borde Sobel: Preserva los bordes y suprime el desenfoque.
  • RMSE: Actúa como un regularizador para la predicción de la media.

3. Incertidumbre de Cuantiles (Quantile UC)

• Formulación: Un enfoque no paramétrico que estima los cuantiles condicionales del percentil 10, 50 y 90 ($Q_{10}, Q_{50}, Q_{90}$). Esto permite intervalos de predicción asimétricos, mejor adaptados a distribuciones sesgadas.
• Función de Pérdida: Entrenada mediante una suma ponderada de:
  • Pérdida Pinball (Pérdida de Cuantil): Minimiza el error a través de los tres cuantiles.
  • Términos de Regularización:
    • Déficit de Cobertura (Coverage Shortfall): Incentiva que la cobertura empírica de $[Q_{10}, Q_{90}]$ se aproxime a un 80% nominal.
    • No Cruce (Non-Crossing): Fuerza que $Q_{10} \leq Q_{50} \leq Q_{90}$.
    • Dispersión Adaptativa a la Confianza: Reduce el ancho del intervalo cuando la predicción de la mediana es precisa.
  • Sobel y RMSE: Aplicados a la mediana ($Q_{50}$) para preservar los bordes y estabilizar las estimaciones.

4. Métricas de Evaluación

• Precisión: RMSE, $R^2$, MAPE, nMAD (Desviación Absoluta Mediana Normalizada) e IoU.
• Calibración de la Incertidumbre:
  • ErrorCoverage (Cobertura de Error): Para Gaussian UC, mide el porcentaje de residuos que caen dentro de $k\sigma$ ($k=1, 2, 3$).
  • DataCoverage (Cobertura de Datos): Para Quantile UC, mide el porcentaje de valores de verdad de campo que caen dentro del intervalo $[Q_{10}, Q_{90}]$.

Principales Contribuciones

1. Marco Comparativo: El artículo compara sistemáticamente las formulaciones Gaussiana y de Cuantiles para la incertidumbre aleatoria en la regresión de EO.
2. Evaluación Multitarea: Ambos enfoques se evalúan en tres tareas de alto impacto: Estimación de la Altura de Edificios (BHE), Estimación de la Altura del Dosel (CHE) y Estimación de la Biomasa Aérea (AGB), utilizando series temporales fusionadas de SAR y multiespectrales.
3. Métricas de Calibración: Los autores demuestran el uso de "ErrorCoverage" y "DataCoverage" para evaluar rigurosamente la calibración de los intervalos de incertidumbre predichos.
4. Benchmarking de Rendimiento: El estudio muestra que los modelos conscientes de la incertidumbre pueden lograr una precisión comparable a los modelos deterministas base mientras proporcionan estimaciones de confianza interpretables.

Resultados

Los modelos fueron probados en conjuntos de datos que cubren Estonia, Finlandia, Alemania, Países Bajos y Suiza.

• Precisión: Ambos modelos lograron resultados competitivos.
  • Altura del Dosel y Biomasa: El modelo Gaussian UC funcionó mejor, con CHE alcanzando un RMSE de 2.33m y AGB un RMSE de 30.14 toneladas/píxel. Las puntuaciones de $R^2$ fueron altas (0.80–0.90), indicando un aprendizaje eficiente de las variaciones de la vegetación.
  • Altura de Edificios: El modelo Quantile UC superó ligeramente al modelo Gaussiano (RMSE 2.37m vs. 2.56m, $R^2$ 0.50 vs. 0.42). Los autores atribuyen esto a la heterogeneidad de los entornos urbanos, donde los intervalos asimétricos capturan mejor los sesgos localizados y las distribuciones no gaussianas.
• Calibración:
  • Gaussian UC: Las tasas de cobertura de error estuvieron cerca de las expectativas gaussianas nominales (por ejemplo, ~68% dentro de $\pm1\sigma$, ~95% dentro de $\pm2\sigma$). Sin embargo, en algunas regiones de valores altos, el modelo infló la incertidumbre para compensar los desajustes de la cola.
  • Quantile UC: La cobertura de datos para el intervalo $[Q_{10}, Q_{90}]$ fue aproximadamente del 80% en todas las tareas (0.79–0.82), lo que indica intervalos asimétricos bien calibrados.
• Características de la Distribución: Los resultados destacaron que los errores de la altura de los edificios y la biomasa suelen presentar distribuciones sesgadas a la derecha (subestimación sistemática en valores altos), lo cual fue capturado eficazmente por el modelo de Cuantiles mediante intervalos superiores más amplios ($Q_{50}$–$Q_{90}$) en comparación con los inferiores.

Significado y Reivindicaciones

El artículo sostiene que el modelado explícito de la incertidumbre aleatoria es indispensable para una inferencia de EO fiable, especialmente dada la presencia de ruido y saturación inherentes a los datos satelitales. Los autores afirman que:

• Los modelos de estimación de la incertidumbre pueden igualar o superar a los referentes deterministas en precisión, proporcionando al mismo tiempo estimaciones de confianza operativamente útiles.
• La elección entre las formulaciones Gaussiana y de Cuantiles depende del dominio del objetivo: las suposiciones gaussianas funcionan bien para objetivos de vegetación más suaves, mientras que la regresión de Cuantiles es superior para entornos urbanos complejos y sesgados.
• Los modelos propuestos superan al actual estado del arte de 10m consciente de la incertidumbre, específicamente para la estimación de la altura del dosel.
• El trabajo aborda una brecha crítica en EO al ir más allá de las predicciones de valor único para proporcionar mapas de incertidumbre calibrados e interpretables, esenciales para la toma de decisiones en la política climática y la planificación urbana.

La implementación se pone a disposición de la comunidad para facilitar la investigación posterior en este dominio.