Beyond Binary Rooftop Mapping: A Four-Class Deep Learning Framework for Green Roof Potential Assessment from Open Swiss Geospatial Data

Resumen Técnico: Más allá del mapeo binario de cubiertas

Planteamiento del problema
Las estrategias eficaces de adaptación climática urbana requieren datos espaciales exhaustivos sobre las cubiertas para evaluar los servicios ecosistémicos, particularmente para mitigar el efecto de Isla de Calor Urbana (ICU). Si bien los techos verdes son reconocidos como una solución vital, las investigaciones y los conjuntos de datos existentes suelen centrarse en el mapeo de cubiertas verdes actuales o de sitios de potencial verdor, pero rara vez en ambos simultáneamente. Además, los enfoques actuales suelen depender de imágenes patentadas, lo que limita la reproducibilidad, o no logran distinguir entre techos verdes existentes, instalaciones solares, sitios de potencial verdor y superficies planas no aptas. Existe una brecha crítica para un marco de código abierto y multiclasificación capaz de integrar restricciones estructurales (como la pendiente) con el análisis espectral para proporcionar evaluaciones de idoneidad de cubiertas a escala de toda la ciudad que sean accionables.

Metodología
El estudio propone un marco de aprendizaje profundo modificado basado en la arquitectura existente "Roofpedia", adaptado para realizar una segmentación semántica de cuatro clases. El flujo de trabajo integra imágenes aéreas de alta resolución con datos de Modelos Digitales de Superficie (MDS) para imponer restricciones de viabilidad física.

• Fuentes de datos: El marco se basa enteramente en conjuntos de datos de código abierto de Swisstopo:
  • SWISSIMAGE: Ortofotografías RGB de 10 cm de resolución.
  • swissSURFACE3D: MDS utilizado para calcular las pendientes de los techos.
  • swissTLM3D: Huellas vectoriales de edificios.
  • Nota: El estudio también evaluó comparativamente las imágenes de Mapbox y SWISSIMAGE RS (que incluye Infrarrojo Cercano) pero seleccionó SWISSIMAGE para la aplicación final a escala de la ciudad debido a su disponibilidad total de código abierto y su superior nitidez geométrica en comparación con la versión más borrosa de SWISSIMAGE RS.
• Preprocesamiento: Una etapa de filtrado basada en la pendiente (utilizando estadísticas zonales de QGIS) excluye los edificios con una pendiente media superior a 6.5 grados, reteniendo solo las estructuras de techo plano adecuadas para la infraestructura verde.
• Arquitectura del modelo: Se empleó una U-Net modificada con un codificador de arquitectura ResNet-50 (preentrenada en ImageNet). El modelo clasifica las cubiertas en cuatro categorías distintas:
  1. Techos Verdes Existentes: Actualmente vegetados.
  2. Techos Verdes Potenciales: Superficies planas y adecuadas que actualmente carecen de vegetación.
  3. Techos Solares: Superficies ocupadas por paneles fotovoltaicos.
  4. No Aptos: Superficies planas donde el verdor no es factible debido al material o al uso alternativo.
• Asignación de etiquetas: Se evaluaron dos estrategias para asignar una única clase a la huella de un edificio cuando se predicen múltiples clases dentro de su límite:
  • Basada en prioridad: Solar > Verde Potencial > Verde > No Apto.
  • Basada en área: Se asigna la clase con la mayor proporción de área intersectada.
• Evaluación: El modelo fue entrenado y validado con 9,814 edificios etiquetados manualmente en Berna, Suiza. El rendimiento se midió mediante la Pérdida de Entropía Cruzada, la Intersección sobre Unión media (mIoU) y la Exactitud Global (OA).

Contribuciones clave

1. Sistema de Clasificación de Cuatro Clases: El estudio introduce el primer modelo de código abierto capaz de distinguir simultáneamente techos verdes existentes, techos solares existentes, techos verdes potenciales y superficies planas no aptas.
2. Integración de Restricciones Estructurales: A diferencia de los enfoques puramente espectrales, este marco integra umbrales de pendiente derivados del MDS para filtrar techos físicamente no aptos antes de la clasificación, asegurando que la categoría de "Verde Potencial" refleje la viabilidad de instalación en el mundo real.
3. Análisis Comparativo de Fuentes de Imágenes: El artículo evalúa sistemáticamente tres fuentes de imágenes aéreas (Mapbox, SWISSIMAGE y SWISSIMAGE RS) para la tarea de cuatro clases, encontrando que, si bien las imágenes RGB (Mapbox y SWISSIMAGE) se comportan de manera comparable en términos agregados, la adición de Infrarrojo Cercano (SWISSIMAGE RS) no mejoró la puntuación de segmentación de cuatro clases y sufrió una reducción de la nitidez geométrica.
4. Reproducibilidad de Código Abierto: Todo el flujo de trabajo, desde el procesamiento de datos hasta el entrenamiento del modelo, está construido con herramientas y datos de código abierto, lo que lo hace transferible a otras ciudades suizas y a nivel mundial.

Resultados

• Rendimiento del Modelo: El modelo Roofpedia modificado alcanzó un mIoU de entrenamiento de 0.86 y un mIoU de validación de 0.78 en las cuatro clases.
• Comparación de Fuentes de Imagen:
  • SWISSIMAGE (10 cm RGB): Logró una exactitud global a nivel de edificio del 51%. Demostró el mejor equilibrio, con la menor tasa de detección omitida (443 edificios) y errores concentrados principalmente en la clase "Verde Potencial" (confundiendo el verde existente con el verde potencial).
  • Mapbox (~50 cm RGB): Logró un 59.7% de exactitud a nivel de edificio, pero mostró una mayor tendencia a clasificar erróneamente techos "No Aptos" como "Verde Potencial" debido a la ambigüedad de textura en resoluciones más bajas.
  • SWISSIMAGE RS (RGB + NIR): Funcionó significativamente peor (15.2% de exactitud) debido a la borrosidad de la imagen, lo que degradó la detección de características geométricas como los paneles solares, a pesar de la utilidad de la banda NIR para la vegetación.
• Comparaciones de Línea Base: El modelo binario original de Roofpedia logró un 77.5% de exactitud en su clase única (Verde vs. No Verde), mientras que el modelo proj-vegroofs-DL (entrenado para tipología de vegetación) logró solo un 11% de exactitud al ser mapeado a la tarea de cuatro clases. El modelo de cuatro clases propuesto, aunque tiene un porcentaje de exactitud bruta menor que los modelos base binarios, proporciona resultados significativamente más ricos y relevantes para las políticas.
• Estudio de Caso en Berna: Aplicado a la ciudad de Berna, el modelo identificó aproximadamente 9,898 edificios de techo plano (9.6% del total de la estructura). La elección de la estrategia de etiquetado impactó significativamente los resultados: la estrategia basada en prioridad estimó que el 11.7% de los edificios eran Solares, mientras que la estrategia basada en el área estimó solo un 6.3%.

Significancia y Reivindicaciones
El artículo sostiene que este marco llena un vacío metodológico importante al proporcionar una herramienta unificada, transparente y reproducible para los planificadores urbanos. Al ir más allá del mapeo binario "verde/no verde", el estudio ofrece información basada en evidencia necesaria para una planificación coordinada de la adaptación climática. Los autores enfatizan que la dependencia de los datos de código abierto de Swisstopo garantiza que el flujo de trabajo sea accesible para ciudades con recursos limitados y pueda escalarse internacionalmente. Los resultados sugieren que Berna tiene un potencial significativo sin explotar para la expansión de techos verdes, particularmente entre los techos planos actualmente clasificados como "No Aptos" o "Verde Potencial", ofreciendo una base concreta para las estrategias de mitigación de la ICU. El estudio concluye que, si bien el modelo no es perfecto (evidenciado por la confusión entre techos desnudos cubiertos de musgo y techos verdes, o las similitudes geométricas entre paneles solares y techos acanalados), representa un avance sustancial en la evaluación de cubiertas multiclasificación accionable.