Towards Generalizable Mapping of Hedges and Linear Woody Features from Earth Observation Data: a national Product for Germany

Sintesi Tecnica: Verso una Mappatura Generalizzabile di Siepi e Forme Legnose Lineari da Dati di Osservazione della Terra

Enunciato del Problema
Le forme legnose lineari (LWF), come siepi, filari alberati e vegetazione ripariale, sono fondamentali per la biodiversità, l'adattamento climatico e la protezione del suolo. Tuttavia, la mappatura sistematica su larga scala di queste caratteristiche utilizzando dati di Osservazione della Terra (EO) rimane una sfida metodologica. Gli approcci esistenti sono spesso altamente specializzati, basandosi su combinazioni ristrette di sensori specifici, risoluzioni spaziali e condizioni di acquisizione (ad esempio, con fogliame vs. senza fogliame). Di conseguenza, questi flussi di lavoro mancano di trasferibilità; applicare un modello addestrato su un dataset a una regione diversa o a un tipo di sensore comporta tipicamente un significativo degrado delle prestazioni o richiede un esteso riaddestramento. Inoltre, la diversità dei dati EO disponibili in Germania, dalle ortofoto ad alta risoluzione alle mappe di altezza della chioma, manca di una pipeline di elaborazione unificata in grado di gestire tale eterogeneità mantenendo un singolo modello di segmentazione riutilizzabile.

Metodologia
Gli autori propongono un flusso di lavoro modulare progettato per disaccoppiare la generazione di una maschera binaria della vegetazione legnosa dalla separazione morfologica delle forme lineari. Il flusso di lavoro è composto da due componenti indipendentemente ottimizzabili:

1. Interfaccia per Dati di Input Eterogenei: Questo modulo consolida diverse fonti di dati EO in un prodotto intermedio unificato: una maschera binaria della vegetazione legnosa. Lo studio utilizza tre fonti di input distinte per la Germania:

   • Dati BKG: Una combinazione di ortofoto digitali a 20 cm (DOP20), Modelli Digitali di Superficie (DSM) a 1 m, Modelli Digitali del Terreno (DTM) a 1 m e sagome degli edifici. A causa della natura a mosaico dei DOP20 (date di acquisizione variabili, condizioni con/senza fogliame e miglioramenti del contrasto), viene impiegata una logica di elaborazione condizionale. Questa include la generazione di un DSM normalizzato (nDSM), la creazione di una maschera degli edifici e l'applicazione di una soglia NDVI specifica per la piastrella basata sui metadati di acquisizione per derivare la maschera della vegetazione.
   • Mappe di Altezza della Chioma (CHMv2): Un prodotto globale derivato da immagini Maxar (risoluzione di circa 0,73 m in Germania), elaborato tramite una semplice soglia di altezza.
   • Mappa di Altezza della Chioma di Liu et al. (2023): Un prodotto a 3 m di risoluzione derivato da immagini PlanetScope, elaborato anch'esso tramite soglia di altezza.

2. Rete Neurale Profonda per la Separazione Morfologica: Un modello di deep learning, basato su un'architettura U-Net modificata, è addestrato a separare le forme lineari dalle forme non lineari (a macchia) all'interno delle maschere binarie della vegetazione.

   • Strategia di Addestramento: Crucialmente, il modello è addestrato esclusivamente su dati sintetici generati proceduralmente. Questo evita la dipendenza da etichette reali specifiche del sito, migliorando la trasferibilità spaziale. Il generatore di dati sintetici crea scene di 1.024 × 1.024 pixel con combinazioni casuali di sfondo, forme lineari (angolari e organiche) e macchie (grandi, medie, piccole).
   • Architettura e Input: Il modello accetta un input a tre canali: la maschera binaria della vegetazione, il suo scheletro e una trasformazione della distanza. Utilizza due testine di output: una per la segmentazione a tre classi (sfondo, lineare, non lineare) e una testina secondaria per la previsione dello scheletro limitata alle forme lineari.
   • Funzione di Perdita: L'obiettivo di addestramento combina l'entropia incrociata ponderata, una perdita Dice focalizzata sulla classe lineare sottorappresentata e una perdita basata sullo scheletro per imporre la continuità topologica.
   • Inferenza: Il modello elabora le maschere su scala nazionale in "chip" sovrapposti. Il post-processing include un affinamento basato sullo scheletro (rimozione dei pixel lontani dallo scheletro previsto) e l'esclusione di strutture lineari note non vegetate (ad esempio, ponti, parchi solari) utilizzando dati vettoriali.

Contributi Chiave

• Un Flusso di Lavoro Concettuale: Una pipeline unificata che integra dati di input eterogenei (ortofoto, DSM/DTM, mappe di altezza della chioma) in un'unica maschera binaria intermedia, consentendo l'uso di un singolo modello addestrato su diverse configurazioni di dati.
• Metodologia di Addestramento Sintetico: Un approccio di addestramento basato interamente sulla generazione di dati sintetici, che permette un modello spazialmente indipendente che non richiede riaddestramento quando applicato a nuove regioni o tipi di sensori.
• Prodotti su Scala Nazionale: La derivazione di tre mappe nazionali di forme legnose lineari per la Germania a risoluzioni spaziali di 0,73 m, 1 m e 3 m, dimostrando la flessibilità del flusso di lavoro.
• Quadro di Valutazione: Una valutazione completa utilizzando dati di riferimento indipendenti da quattro stati federali (Baviera, Brandeburgo, Baden-Württemberg, Renania Settentrionale-Vestfalia) e una nuova metrica basata sullo scheletro (AUC dei punteggi F1 su soglie di distanza variabili) per valutare l'accordo topologico, mitigando la sensibilità delle metriche pixel per pixel alle differenze di risoluzione.

Risultati
Lo studio ha valutato le tre mappe derivate rispetto ai dati di riferimento e a due dataset esistenti (Huber-García et al., 2025; Muro et al., 2025).

• Prestazioni: Il flusso di lavoro ha prodotto risultati competitivi in tutti i siti di valutazione. I modelli derivati dai dati BKG (1 m) e CHMv2 (0,73 m) hanno generalmente superato i modelli a 3 m di risoluzione (Liu et al. e Muro et al.) in termini di correttezza topologica.
• Impatto della Risoluzione: Sebbene gli input ad alta risoluzione abbiano prodotto output più dettagliati, la valutazione basata sullo scheletro ha mostrato che il divario di prestazioni tra le risoluzioni era meno pronunciato quando ci si concentrava sull'allineamento topologico piuttosto che sulla sovrapposizione pixel per pixel rigorosa.
• Generalizzabilità: Un singolo modello addestrato su dati sintetici ha elaborato con successo tre diverse fonti di input senza riaddestramento, validando la trasferibilità del flusso di lavoro.
• Limitazioni: La risoluzione di 1 m della maschera derivata dai dati BKG (vincolata dal DSM) ha portato all'esclusione di forme lineari a bassa crescita, risultando in un divario di prestazioni rispetto allo studio a 20 cm di risoluzione di Huber-García et al. Inoltre, le piastrelle acquisite in condizioni senza fogliame richiedevano un ramo di elaborazione semplificato, introducendo occasionalmente strutture non vegetate (ad esempio, ponti) che richiedevano rimozione nel post-processing.

Significato
Il documento sostiene che il flusso di lavoro proposto affronta il collo di bottiglia critico della trasferibilità spaziale nella mappatura delle forme legnose lineari. Astrando i dati di input in una maschera binaria e trattando l'attività di estrazione come un problema generalizzato di separazione morfologica risolto da un modello addestrato su dati sintetici, l'approccio elimina la necessità di riaddestramento specifico per regione. Questa modularità permette agli esperti di dominio di ottimizzare la generazione della maschera della vegetazione in base ai dati locali disponibili, mentre gli specialisti di deep learning possono migliorare indipendentemente il modello di segmentazione. Gli autori ipotizzano che questo design fornisca una base per una mappatura scalabile oltre la Germania, potenzialmente estendibile a scale europee o globali utilizzando prodotti esistenti di altezza della chioma globale, a condizione che vengano stabiliti dataset di riferimento standardizzati per la futura validazione.