Weakly Supervised Spatio-Temporal Candidate Discovery of Dairy Farm Sites from Seasonal Satellite Imagery

Resumen Técnico: Descubrimiento de Candidatos de Granjas Lecheras mediante Supervisión Débil Espaciotemporal

Planteamiento del Problema
El descubrimiento de granjas lecheras a partir de imágenes satelitales es un problema de razonamiento espaciotemporal de supervisión débil altamente complejo. Las granjas rara vez son objetos visuales aislados; en su lugar, se manifiestan como configuraciones espaciales complejas de pastizales, límites de campos, caminos, edificios y patrones de vegetación estacionales. Estas señales pueden abarcar cientos de metros y a menudo se asemejan a aldeas, sitios industriales u otros usos de la tierra agrícola. La detección totalmente supervisada es difícil porque las etiquetas directas de las granjas suelen estar incompletas, los límites no están disponibles y las etiquetas de tipos específicos son escasas o ruidosas. Aunque existen puntos de referencia para el aprendizaje profundo en el uso del suelo y la comprensión de escenas, estos suelen asumir etiquetas explícitas o anotaciones densas, las cuales escasean para el descubrimiento de candidatos de granjas.

Metodología
El artículo propone un flujo de trabajo de supervisión débil diseñado para clasificar clústeres espaciales que probablemente correspondan a sitios asociados a granjas, en lugar de producir un inventario definitivo de granjas. El marco integra señales de teledetección estacional, prioridades geográficas débiles, aprendizaje de representaciones auto-supervisado y razonamiento espacial basado en grafos.

1. Datos y Entrada: El método utiliza imágenes multiespectrales alineadas de primavera, verano y otoño de la región de County Cork, Irlanda. Cada tesela (128×128 píxeles) contiene 36 canales: seis bandas espectrales de Sentinel (B2, B3, B4, B8, B11, B12) y seis índices derivados (NDVI, NDWI, NDBI, NDRE, EVI y un canal de pastura) a través de tres estaciones.
2. Embeddings Auto-supervisados: Un codificador ResNet-18 se entrena utilizando el objetivo Barlow Twins sobre teselas multiestacionales sin etiquetas de granja. Esto aprende representaciones visuales que capturan estructuras temporales y espectrales. La cabeza de proyección se descarta, y la salida del codificador sirve como embeddings de las teselas.
3. Configuración de Supervisión Débil: Las características relacionadas con granjas de OpenStreetMap (OSM) (granjas, patios de granjas, establos) se dividen en dos conjuntos disjuntos: un conjunto de prioridad ($O_{prior}$) y un conjunto de reserva ($O_{heldout}$). El conjunto de prioridad proporciona pistas de proximidad débil durante la puntuación, mientras que el conjunto de reserva se reserva exclusivamente para la evaluación por proximidad.
4. Puntuación de Candidatos: Cada tesela recibe una puntuación basada en reglas ($f_i$) que combina tres flujos de evidencia:
   • Proximidad Débil ($q_i$): Distancia normalizada a la característica más cercana en $O_{prior}$.
   • Evidencia de Pastura ($p_i$): Un resumen de la evidencia de pastura a través de las estaciones.
   • Verdor de Verano ($v_i$): NDVI de verano normalizado.
     La puntuación principal se calcula como $f_i = 0.40q_i + 0.35p_i + 0.25v_i$.
5. Suavizado de Grafos y Clústerización: Las puntuaciones se refinan utilizando un grafo de representación espacial. Las teselas se conectan con sus 8 vecinos geográficos más cercanos. Se computa una puntuación suavizada ($f^G_i$) mediante la propagación de puntuaciones basadas en la proximidad geográfica y la similitud de los embeddings. La puntuación final es una combinación ponderada: $\tilde{f}_i = 0.85f_i + 0.15f^G_i$.
6. Formación de Clústeres: Las teselas por encima del percentil 92 de la puntuación final son seleccionadas y agrupadas en componentes conectados basados en la adyacencia de la cuadrícula. Estos forman clústeres candidatos clasificados.

Contribuciones Clave

1. Flujo de Trabajo de Supervisión Débil: El artículo presenta un flujo de trabajo para el descubrimiento de candidatos de granjas lecheras que opera sin etiquetas directas de granjas, apoyándose en imágenes satelitales estacionales y prioridades de mapas abiertos.
2. Marco Integrado: Combina de manera única la dinámica de pastoreo estacional, el verdor de verano, la proximidad débil a granjas, los embeddings de teselas auto-supervisados, el suavizado basado en grafos y la agrupación espacial.
3. Protocolo de Evaluación por Proximidad: Los autores introducen un protocolo que divide las características de granjas de OSM en conjuntos de prioridad y de reserva. Esto permite la evaluación contra la evidencia de los mapas no utilizada como prioridades, reconociendo explícamente que las métricas miden la clasificación de candidatos frente a la evidencia de mapas ruidosos en lugar de una precisión definitiva de detección de granjas.

Resultados
El marco fue evaluado en 26,722 teselas multiestacionales válidas de County Cork.

• Selección: La ejecución principal redujo el conjunto de datos a 535 teselas de alta confianza, formando 71 clústeres candidatos.
• Precisión: Al clasificar por la puntuación del método suavizado:
  • Los 5 mejores clústeres lograron una precisión de 0.60 dentro de 500 m y una precisión de 0.80 dentro de 1000 m de las características de granjas de OSM en reserva.
  • Los 10 mejores clústeres lograron una precisión de 0.40 dentro de 500 m y una precisión de 0.80 dentro de 1000 m.
• Alineación Espacial: De los 71 clústeres totales, 19 estaban dentro de 500 m y 46 dentro de 1000 m de una característica en reserva, con una distancia mediana de 744.3 m.
• Estudios de Ablación: Las variantes que utilizaron solo NDVI, solo pastura, solo características de verano o solo prioridades de OSM tuvieron un desempeño significativamente inferior. La variante "Solo Regla" (sin suavizado de grafos) logró una precisión similar en los 5 mejores puestos, pero tuvo una distancia mediana mayor (784.6 m frente a 744.3 m), lo que indica que el suavizado de grafos mejora la consistencia espacial y reduce la distancia mediana mientras preserva la precisión de los primeros puestos en el ranking.

Significancia y Reivindicaciones
El artículo sostiene que el aprendizaje de representaciones estacionales y las prioridades geográficas débiles pueden reducir eficazmente las grandes colecciones de imágenes satelitales en conjuntos de candidatos compactos y clasificados, aptos para la revisión humana. Los resultados demuestran que el marco captura una estructura espacial significativa asociada a las granjas bajo supervisión débil.

Los autores enfatizan que esta es una tarea de descubrimiento de candidatos, no un censo completo de granjas. En consecuencia, el recobro (recall) es bajo (ya que el método prioriza clústeres de alta confianza sobre un inventario exhaustivo), lo que hace que la precisión en el rango (precision-at-rank) sea la métrica más relevante. La evaluación depende de métricas de proximidad; debido a que las características de OSM son incompletas y espacialmente ruidosas, la proximidad a las características de reserva no se trata como una verdad de terreno definitiva. El artículo concluye que la supervisión débil, el aprendizaje auto-supervisado y el razonamiento basado en grafos ofrecen un camino viable para descubrir candidatos agrícolas a partir de imágenes a gran escala donde no hay etiquetas directas disponibles.