Sintesi Tecnica: BELDE – Costruzione di un dataset su larga scala per la copertura del suolo da osservazione terrestre europea

Definizione del Problema

La segmentazione semantica accurata della copertura del suolo è essenziale per il monitoraggio ambientale, la pianificazione urbana e la risposta ai disastri. Sebbene i sensori multi-spettrali siano sempre più disponibili, l'immaginaria a colori veri (RGB) rimane la modalità più accessibile grazie ai minori vincoli di archiviazione, trasmissione e implementazione attraverso varie piattaforme satellitari e aeree. Tuttavia, gli esistenti dataset di segmentazione semantica basati su RGB soffrono di limitazioni significative: copertura geografica ristretta, scala ridotta, scarsa diversità ambientale o mancanza di accessibilità pubblica. Di conseguenza, i modelli addestrati su questi dataset spesso non riescono a generalizzare in regioni con climi, distribuzioni di copertura del suolo o condizioni atmosferiche differenti. Esiste una necessità critica di un benchmark RGB su larga scala, geograficamente diversificato e pubblicamente accessibile, per valutare la robustezza e la trasferibilità dei modelli di osservazione della Terra.

Metodologia

Costruzione del Dataset (BELDE)

Gli autori introducono BELDE (Building a Large-scale Earth-observation Land-cover Dataset for Europe), un dataset pubblicamente disponibile costruito tramite una pipeline completamente automatizzata e riproducibile.

• Fonti dei Dati: Il dataset combina le immagini True Color (TCI) di Sentinel-2 e le annotazioni della copertura del suolo ESA WorldCover 2021. Sentinel-2 fornisce compositi mediani annuali a una risoluzione di 10 m, facilitando la rimozione delle nuvole e la normalizzazione.
• Ambito Geografico: Il dataset primario copre l'Europa (longitudine 13°W–50°E, latitudine 33°N–60°N), comprendendo climi diversificati, dal Mediterraneo all'ambiente alpino.
• Pipeline di Pre-elaborazione:
  1. Allineamento Spaziale: I tasselli RGB e le mappe di copertura del suolo co-registrati sono allineati utilizzando identificatori geospaziali.
  2. Estrazione dei Patch: Una strategia a finestra scorrevole genera patch non sovrapposti di 256 × 256 pixel a una risoluzione di 10 m per prevenire la fuga di dati (data leakage).
  3. Armonizzazione delle Etichette: Le 11 classi originali di ESA WorldCover sono aggregate in 7 classi semantiche (Alberi, Arbusti, Erba, Coltivazioni, Edificato, Terreno nudo, Acqua) per affrontare lo squilibrio delle classi e la sovrapposenza semantica nelle osservazioni RGB (ad esempio, fondendo le mangrovie negli alberi, la neve nel terreno nudo).
  4. Filtraggio della Qualità: I patch con dati mancanti o con una copertura idrica >90% vengono esclusi.
• Statistiche Finali: Il dataset curato contiene 1.088.385 coppie immagine-maschera.

Benchmark Out-of-Distribution

Per valutare lo shift del dominio geografico, sono stati generati due subset aggiuntivi utilizzando la stessa pipeline:

• BELDE-K: Copre la Repubblica di Corea (16.607 coppie).
• BELDE-CA-NV: Copre California e Nevada, USA (88.155 coppie).

Protocollo di Valutazione

Gli autori hanno valutato 17 architetture di segmentazione semantica appartenenti a tre famiglie:

1. CNN Encoder-Decoder: UNet, UNet++, DeepLabV3/V3+, FPN, LinkNet, PSPNet.
2. Modelli basati su Transformer: SegFormer, varianti DPT (DeiT3, MaxViT).
3. Architetture Leggere/Ibride: EfficientFormer, FastViT, LALE.

I modelli sono stati addestrati utilizzando l'ottimizzatore AdamW con una perdita Dice multiclasse, normalizzazione ImageNet e data augmentation standard. Le prestazioni sono state misurate utilizzando Accuratezza, Precisione, Recall, F1-score e IoU sui set di test in-domain (Europa) e zero-shot cross-domain (Corea, CA-NV).

Contributi Chiave

1. Dataset BELDE: Un dataset di segmentazione semantica RGB su larga scala e pubblicamente disponibile, contenente oltre 1,08 milioni di coppie immagine-maschera geo-allineate in tutta Europa a 10 m di risoluzione.
2. Benchmark Cross-Regionali: Il rilascio di BELDE-K e BELDE-CA-NV per consentire la valutazione sistematica dello shift del dominio geografico e della trasferibilità del modello.
3. Risultati Baseline: Benchmarking completo di 17 architetture allo stato dell'arte, stabilendo baseline di prestazione sia per contesti in-domain che cross-domain.
4. Pipeline Riproducibile: Un framework open-source e automatizzato per la generazione del dataset, promuovendo la trasparenza e l'espansione futura.

Risultati

Prestazioni In-Domain (Europa)

• Top Performer: Le architetture basate su Transformer e ibride hanno raggiunto l'accuratezza più elevata. EfficientFormer-L7 e MaxViT hanno raggiunto F1-score rispettivamente di 83,0% e 82,9%.
• Prestazioni CNN: I modelli basati su CNN come UNet sono rimasti competitivi, raggiungendo un F1-score dell'81,8% con 31M di parametri.
• Modelli Leggeri: Il modello LALE-S2 ha dimostrato un rapporto favorevole tra efficienza e prestazioni, raggiungendo un F1-score del 78,2% con soli 2,6M di parametri.
• Analisi Specifica per Classe: I modelli hanno performato bene sulle classi spettralmente omogenee (Alberi, Acqua) ma hanno faticato con le classi strutturalmente eterogenee e rare, in particolare gli Arbusti, che hanno costantemente prodotto i F1-score più bassi in tutte le architetture.

Generalizzazione Cross-Regionale

• Calo delle Prestazioni: I modelli addestrati su BELDE (Europa) hanno mostrato un significativo degrado delle prestazioni quando applicati a regioni out-of-distribution, evidenziando la sfida dello shift del dominio geografico.
  • BELDE-K (Corea): Gli F1-score sono scesi al 58,3% (EfficientFormer-L7) e 58,2% (MaxViT).
  • BELDE-CA-NV (USA): Gli F1-score sono scesi al 66,4% (MaxViT) e 66,2% (EfficientFormer-L7).
• Osservazioni: Il calo delle prestazioni è attribuito a composizioni della copertura del suolo distinte (ad esempio, maggiore densità di alberi in Corea, maggiore presenza di terreni nudi in CA-NV) e differenze ecologiche. Sebbene i modelli transformer abbiano generalmente mantenuto prestazioni assolute più elevate, tutte le famiglie di architetture hanno mostrato un degrado costante, suggerendo che la variabilità geografica sia un fattore limitante dominante piuttosto che la sola capacità del modello.

Significato e Rivendicazioni

Il documento sostiene che BELDE affronta una lacuna critica nella ricerca sull'osservazione della Terra fornendo un benchmark RGB su scala continentale. La sua importanza primaria risiede nel:

• Abilitare Studi sulla Robustezza: Offrendo set di addestramento e valutazione geograficamente diversificati, BELDE consente ai ricercatori di studiare e quantificare sistematicamente le sfide dello shift del dominio nella mappatura della copertura del suolo.
• Rilevanza nel Mondo Reale: Concentrandosi esclusivamente sulle immagini RGB, il dataset garantisce l'applicabilità a una vasta gamma di sistemi di rilevamento operativi e con risorse limitate.
• Stabilire Baseline: I benchmark forniti servono come riferimento per valutare la trasferibilità dei modelli di segmentazione, rivelando che gli attuali modelli allo stato dell'arte faticano a generalizzare tra i continenti senza adattamento.

Gli autori concludono che, sebbene i modelli basati su transformer offrano un'accuratezza superiore, le architetture leggere forniscono alternative valide per l'implementazione in contesti con risorse limitate. Essi sottolineano che la generalizzazione tra i continenti rimane un problema aperto e complesso, evidenziando la necessità di benchmark geograficamente diversificati per sviluppare sistemi di osservazione della Terra robusti.