Operational Evaluation of Submanifold Sparse Convolutional Networks for Airborne

Resumen Técnico: Evaluación Operativa de Redes Convolucionales Esparcidas de Submosaicos para el Procesamiento de Batimetría LiDAR Aerotransportada

Planteamiento del Problema
La Batimetría LiDAR Aerotransportada (ALB, por sus siglas en inglés) es una tecnología crítica para el mapeo de zonas costeras y la interfaz tierra-mar, apoyando la navegación segura y el monitoreo ambiental. Si bien los sistemas ALB reducen significativamente los costos de adquisición de datos en comparación con los métodos acústicos tradicionales, las nubes de puntos resultantes requieren un extenso procesamiento manual para distinguir el lecho marino de la superficie del agua y el ruido. Automatizar este proceso de clasificación sigue siendo un objetivo operativo clave para las oficinas hidrográficas. Sin embargo, el desarrollo de métodos automatizados se ve obstacqueado por la falta de conjuntos de datos de referencia a gran escala y marcos de evaluación que se alineen con los estándares de cartografía náutica. Los estudios existentes suelen depender de conjuntos de datos espacialmente limitados o métricas que no reflejan directamente el impacto náutico de las clasificaciones erróneas. Además, aunque las arquitecturas de aprendizaje profundo como las Redes Convolucionales Esparcidas de Submosaicos (SSCN) han mostrado potencial en el escaneo láser aerotransportado, no han sido evaluadas sistemáticamente para el procesamiento de nubes de puntos ALB.

Metodología
El estudio introduce un marco de evaluación estandarizado para evaluar el rendimiento de la SSCN en conjuntos de datos ALB a gran escala, utilizando un conjunto de datos de levantamiento de la NOAA del Florida Keys (1,599 teselas, totalizando 747 millones de Mediciones LiDAR Georreferenciadas o GLM).

• Arquitectura del Modelo: El modelo propuesto es una SSCN basada en U-Net diseñada para manejar datos volumétricos esparcidos de manera eficiente. Emplea una estructura de codificador-decodificador con bloques residuales y mecanismos de atención conectados residualmente para preservar las estructuras esparcidas mientras captura características multiescala. La entrada se restringe a la densidad de vóxeles para minimizar la complejidad del preprocesamiento y evitar características específicas del sensor.
• Preprocesamiento: Los GLM se discretizan en una rejilla de vóxeles (resolución horizontal de 1 m, vertical de 25 cm) de acuerdo con las especificaciones de la norma IHO S-44 Orden 1a. Se aplica una normalización logarítmica acotada para manejar la significativa variabilidad de la densidad de los vóxeles.
• Estrategia de Entrenamiento: El modelo se entrena utilizando una Pérdida Focal Unificada asimétrica (LaUF) para abordar el desequilibrio de clases. Se integra supervisión profunda en cada etapa del decodificador para mejorar la estabilidad de la optimización. La aumentación de datos incluye rotaciones aleatorias de 90 grados y volteos para mitigar los sesgos direccionales.
• Protocolo de Evaluación: El estudio emplea la Validación de Submuestreo Aleatorio Repetido (RRSV) para evaluar la robustez y sensibilidad del modelo al tamaño del conjunto de entrenamiento. La evaluación combina métricas de segmentación a nivel de punto (Exactitud Global, Tasas de Verdaderos/Falsos Positivos/Negativos, Exactitud del Productor/del Usuario) con indicadores de calidad del Modelo de Batimetría Digital (DBM). Estas métricas de DBM incluyen la Exactitud del Productor/del Usuario basada en rejilla, el Error Absoluto Medio (MAE) y la Relación de Excedencia de Error (EER) basadas en las tolerancias de Incertidumbre Vertical Total (TVU) de la IHO Orden 1a.

Contribuciones Clave

1. Evaluación Operativa de SSCN: El artículo proporciona la primera evaluación rigurosa de la SSCN para el procesamiento de ALB bajo condiciones de levantamiento reales, demostrando su capacidad para ofrecer resultados consistentes con datos esparcidos y ruidosos.
2. Marco de Benchmarking Unificado: Se introduce un esquema de evaluación estandarizado que integra la exactitud de la segmentación con la calidad del DBM. Esto asegura el cumplimiento de los estándares de cartografía náutica y permite comparaciones justas entre métodos automatizados.
3. Validación de Robustez vía RRSV: El estudio valida la estabilidad y confiabilidad de la SSCN a través de RRSV, confirmando su idoneidad para el despliegue operativo en diversos escenarios de levantamiento y con distintas composiciones de datos de entrenamiento.

Resultos
El estudio evaluó el rendimiento del modelo a través de diferentes tamaños de conjuntos de datos de entrenamiento (5 a 40 teselas) y sobre el levantamiento completo (1,599 teselas).

• Eficiencia de Entrenamiento: El modelo logra un alto rendimiento con datos de entrenamiento limitados. Cuando se entrena con solo el 2.5% del conjunto de datos (40 teselas), ofrece una Exactitud del Productor (PAB) mediana de 99.7% y una Exactitud Global (GA) mediana de 97.2%.
• Calidad del DBM: Los Modelos de Batimetría Digital resultantes muestran una alta fidelidad. La Relación de Excedencia de Error (EER) es extremadamente baja, con solo 4 de cada 10,000 celdas de DBM excediendo la tolerancia de la IHO Orden 1a. La Exactitud del Usuario basada en Rejilla (GB-UAB) alcanza el 97.2%.
• Escalabilidad y Velocidad: El enfoque SSCN demuestra una eficiencia operativa significativa. El procesamiento de todo el levantamiento de Key West (1,599 teselas) tomó aproximadamente 3 horas y 16 minutos, una mejora sustancial sobre los 65 días estimados requeridos por el método estadístico CHRT-ML para el mismo conjunto de datos.
• Limitaciones Observadas: El modelo mostró sensibilidad a las variaciones de densidad causadas por la superposición de rutas de vuelo, lo que generó artefactos (huecos) en el DBM. Además, el modelo tuvo dificultades con características fuera de la distribución, como líneas eléctricas, que estaban subrepresentadas en los datos de entrenamiento.

Significancia
El artículo afirma que este trabajo establece una base sólida para la adopción del procesamiento automatizado de ALB en los flujos de trabajo hidrográficos. Al conectar los resultados de segmentación directamente con la calidad del DBM y los estándares de la IHO, el estudio cierra la brecha entre las métricas de investigación y los requisitos operativos. Los resultados confirman que la SSCN es una solución confiable, escalable y computacionalmente eficiente para el procesamiento de datos batimétricos de alta precisión, apoyando la transición de flujos de trabajo manuales a automatizados en la cartografía náutica. El estudio enfatiza que, si bien el método es robusto, su despliegue operativo requiere una curación cuidadosa de datos de entrenamiento diversos para manejar características geomórficas y antropogénicas específicas.