⚡ electrical engineering

Self-Supervised Tree-level Biomass Estimation in Urban Environments From Airborne LiDAR and Optical Observations

Questo articolo presenta un framework di deep learning auto-supervisionato che integra LiDAR aereo e immagini ottiche per generare un database bitemporale ad alta risoluzione della biomassa dei singoli alberi urbani in un paesaggio di 810 km² in Ontario, raggiungendo una stima accurata a livello di chioma senza annotazione manuale e rivelando un guadagno netto di carbonio di 39 Gg C in cinque anni.

Autori originali: Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, C

Pubblicato 2026-06-26

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, Canada), Camile Sothe (Planet Labs PBC, San Francisco, California, USA), Alemu Gonsamo (McMaster University, Hamilton, Ontario, Canada)

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate una foresta gigante e invisibile che non cresce nella natura selvaggia, ma proprio nel mezzo delle nostre città, dei nostri sobborghi e dei nostri paesi. Questi sono gli alberi che costeggiano le nostre strade, siedono nei nostri parchi e punteggiano i nostri quartieri. Per molto tempo, contare quanto "legno" (biomassa) e quanto carbonio contengono questi alberi urbani è stato come cercare di contare i granelli di sabbia su una spiaggia indossando guanti spessi: potevamo indovinare il totale, ma non riuscivamo a vedere i singoli granelli, e le nostre mappe erano spesso sfocate.

Questo articolo presenta un nuovo modo, ad alta tecnologia, per contare e pesare questi alberi cittadini, uno per uno, attraverso un'area massiccia del Southern Ontario (circa 810 chilometri quadrati). Ecco come ci sono riusciti, spiegato in modo semplice:

1. La strategia della "Foto Invernale"

Di solito, quando si scatta una foto a un albero in inverno (quando non ha foglie), questo appare come uno scheletro grigio e nudo. Questo rende difficile per i computer distinguere tra il ramo di un albero e il tetto di un edificio.

Il trucco dell'articolo: I ricercatori hanno usato due tipi di "occhi" per guardare la città contemporaneamente:
- Occhi che vedono l'altezza (LiDAR): Questo è come uno scanner laser 3D che rimbalza la luce sul terreno e sugli alberi per costruire un modello 3D preciso. Vede la forma dell'albero, anche senza foglie.
- Occhi che vedono il colore (Ottico): Sono foto ad alta risoluzione scattate in inverno.
L'analogia: Pensate a come cercare di identificare una persona in una stanza buia. Se avete solo una torcia (la foto), potreste mancarla. Ma se avete anche un dispositivo sonar (il laser) che vi dice esattamente dove si trova il suo corpo, potete trovarla facilmente. Combinando la "forma" del laser con il "colore" della foto, il computer può individuare gli alberi anche quando sono spogli.

2. Insegnare al computer senza un insegnante

Normalmente, per insegnare a un computer a riconoscere gli alberi, gli esseri umani devono passare anni a disegnare i contorni attorno a migliaia di alberi nelle foto. Questo è lento e costoso.

Il trucco dell'articolo: Hanno utilizzato un approccio "Self-Supervised" (auto-supervisionato). Invece di assumere un insegnante, hanno dato al computer un insieme di ipotesi approssimative basate su regole (come "se è piatto e alto, è un edificio; se è irregolare e verde, è un albero"). Queste ipotesi erano imperfette, come la prima bozza di uno studente.
L'analogia: Immaginate uno studente che impara a disegnare guardando un taccuino disordinato. Il computer è partito da questi schizzi disordinati, basati su regole, e poi si è esercitato milioni di volte, correggendo i propri errori finché non ha imparato a disegnare gli alberi perfettamente da solo. Non aveva bisogno che un essere umano disegnasse ogni singolo albero per lui.

3. Separare la "Foresta" dalla "Città"

Una delle parti più difficili della mappatura urbana è distinguere un albero da una casa. Un tetto piatto può sembrare una chioma di un albero visto dall'alto.

Il trucco dell'articolo: Il computer ha imparato a essere un buttafuori molto severo. Ha usato i dati laser 3D per vedere che gli edifici sono piatti e lisci, mentre gli alberi sono irregolari e rugosi.
Il risultato: Il computer è diventato molto bravo in questo, identificando correttamente gli edifici il 95% delle volte e separandoli dagli alberi. Questo è fondamentale perché, se si scambia un tetto per un albero, si potrebbe tentare di pesarne una casa!

4. Pesare gli alberi

Una volta che il computer ha trovato gli alberi e ha disegnato un cerchio attorno a ciascuno di essi (delineazione), doveva indovinare quanto pesassero.

Il trucco dell'articolo: Non potevano arrampicarsi su ogni albero per misurarlo. Invece, hanno usato una "ricetta" (un'equazione allometrica). Sapevano che chiome più grandi e alberi più alti generalmente significano più legno. Hanno calibrato questa ricetta utilizzando un elenco di 112.000 alberi di Oakville che erano già stati misurati dai lavoratori comunali.
Il problema: Il computer è bravissimo a trovare gli alberi, ma non è perfetto nel disegnare il bordo esatto di ogni singola chioma. L'articolo ha scoperto che la principale fonte di errore non era la "ricetta" per pesare gli alberi, ma piuttosto il fatto che il computer a volte mancava il bordo esatto della chioma di un albero (specialmente per gli alberi grandi e disordinati).

5. I risultati del quadro generale

Dopo aver eseguito questo sistema sull'area di 810 km² per due anni diversi (2018 e 2023), hanno scoperto che:

Peso Totale: Nel 2018, gli alberi contenevano circa 1,73 milioni di tonnellate di biomassa. Entro il 2023, questa è cresciuta a 1,81 milioni di tonnellate.
Guadagno di Carbonio: Gli alberi hanno assorbito un ulteriore 39.000 tonnellate di carbonio in questi cinque anni.
Dove si trovano gli alberi: Gli alberi più pesanti sono stati trovati lungo la Niagara Escarpment (una zona di scogliere rocciose) e nelle valli fluviali. Gli alberi più leggeri e radi si trovavano nei quartieri residenziali e nelle zone commerciali.
Mappe di incertezza: Il computer ha anche creato una "mappa di confidenza". Ha evidenziato le aree in cui era meno sicuro delle sue risposte (soprattutto nei campi agricoli o nelle zone miste), dicendo ai futuri ricercatori: "Controllate prima questi punti".

Riassunto

Questo articolo ha costruito un sistema informatico intelligente e auto-didattico che utilizza scansioni laser invernali e foto per trovare, delineare e pesare i singoli alberi in una città senza bisogno che gli esseri umani ne disegnino tutti uno per uno. Ha dimostrato che possiamo ottenere una mappa dettagliata, albero per albero, della biomassa urbana, mostrandoci esattamente dove le nostre foreste cittadine stanno crescendo e quanto carbonio stanno immagazzinando, il che aiuta le città a pianificare meglio il futuro.

Sintesi Tecnica: Stima della biomassa a livello di albero tramite apprendimento auto-supervisionato in ambienti urbani

Definizione del problema
Gli alberi urbani costituiscono una componente critica dei depositi di carbonio terrestre, eppure la loro biomassa rimane meno esplicita spazialmente e meno costante rispetto a quella delle foreste gestite. Le stime esistenti si affidano spesso a inventari campionari o a prodotti di telerilevamento a bassa risoluzione (es. 10–30 m), che non riescono a risolvere le singole chiome degli alberi o a catturare l'eterogeneità su piccola scala nei complessi tessuti urbani. Inoltre, la mappatura scalabile è ostacolata da tre lacune metodologiche: (1) la dipendenza dalla annotazione manuale a livello di pixel per l'addestramento supervisionato, che ne limita la copertura; (2) il contributo relativo non chiaro degli errori di delineazione automatica della chioma rispetto agli errori dei modelli allometrici nell'incertezza totale; e (3) la scarsità di prodotti di biomassa a scala di chioma multi-temporali accompagnati da livelli di incertezza spazialmente espliciti.

Metodologia
Lo studio presenta un framework di fusione multi-modale auto-supervisionato applicato a un paesaggio urbano-rurale di 810 km² nel sud dell'Ontario, Canada, utilizzando dati LiDAR aerei bi-temporali (2018 e 2023, 8–10 impulsi m⁻²) e ortofotografia RGB vicino-infrarossa (0,16–0,20 m) acquisiti in condizioni di assenza di fogliame (leaf-off).

Generazione di Pseudo-Label: Per eliminare la necessità di annotazione manuale, gli autori hanno sviluppato un framework basato su regole per generare pseudo-label rumorosi. Ciò ha comportato:
- Rilevamento degli Edifici: Analisi della planarità basata su raster sul Modello di Altezza della Chioma (CHM) combinata con filtraggio morfologico.
- Classificazione della Vegetazione: Differenziazione tra alberi con foglie aghiformi e decidui utilizzando soglie di altezza del CHM e indici spettrali (criteri NDVI e HSV) in condizioni di fogliame assente, dove le chiome aghiformi mantengono un NDVI elevato mentre quelle decidue no.
Rete Neurale Auto-supervisionata: Una rete ConvNeXtV2 U-Net con cross-attention a doppio stream è stata addestrata su questi pseudo-label. L'architettura elabora input ottici (NIR, R, G, B) e strutturali (CHM) attraverso encoder paralleli, utilizzando blocchi di attenzione cross-modale per fondere le caratteristiche.
- Funzione di Perdita: Il modello ha impiegato un obiettivo multitask che combina la segmentazione del tipo di copertura del suolo, la classificazione del tipo di albero e la ricostruzione di input ausiliari. Fondamentalmente, ha utilizzato una Active Negative Loss (ANL-CE) per mitigare l'overfitting sui pseudo-label rumorosi.
- Quantificazione dell'Incertezza: Un deep ensemble di 25 modelli (variando fold e iperparametri) è stato utilizzato per generare mappe di incertezza per pixel, distinguendo tra incertezza aleatoria (dati) ed epistemica (modello).
Delineazione della Chioma: Le singole chiome degli alberi sono state delineate utilizzando una segmentazione watershed multiscala sul CHM all'interno delle aree alberate identificate. Sono state applicate tre scale per affrontare la sovra-segmentazione di alberi piccoli e la sotto-segmentazione di chiome grandi e sovrapposte.
Stima della Biomassa: Un modello proxy a legge di potenza ( $AGB = e^\alpha \cdot (CA \cdot H)^\beta$ $A GB = e^{α} \cdot (C A \cdot H)^{β}$ ) è stato calibrato rispetto a equazioni allometriche specifiche per specie (Lambert et al., 2005) utilizzando 21.921 alberi di inventario di Oakville.
- Selezione dell'Equazione: Alle chiome con bassa incertezza sono state assegnate equazioni specifiche per gruppo funzionale (decidui vs aghiformi); le chiome incerte sono state indirizzate a un'equazione "per tutti gli alberi" aggregata per prevenire estrapolazioni inaffidabili.
- Validazione: L'accuratezza è stata valutata rispetto a un set di test tenuto da parte di 90.726 alberi, confrontando le previsioni derivate dalla geometria di inventario (limite superiore) rispetto alla segmentazione watershed operativa.

Risultati Chiave

Performance di Segmentazione: Il modello ensemble ha migliorato i pseudo-label iniziali basati su regole in tutte le metriche. Contro i tile annotati manualmente, il modello ha raggiunto una precisione media di 0,86, un richiamo (recall) di 0,83 e un coefficiente Dice di 0,84. Il rilevamento degli edifici è stato particolarmente robusto (Dice 0,95), mentre la segmentazione delle aghiformi è rimasta la classe più problematica (Recall 0,66).
Accuratezza della Stima della Biomassa:
- Utilizzando la geometria della chioma derivata dall'inventario (isolando l'errore allometrico), il modello ha ottenuto un $R^2 = 0,609$ .
- In condizioni operative con segmentazione automatica, l' $R^2$ è sceso a 0,570.
- Le stime delle aghiformi sono state più accurate ( $R^2 = 0,646$ ) rispetto a quelle dei decidui ( $R^2 = 0,553$ ), a causa dei picchi di altezza più chiari delle chiome aghiformi nei dati CHM.
- Il calo di performance dalla geometria di inventario a quella operativa ha identificato l'errore di delineazione della chioma come la principale fonte di incertezza, in particolare per gli alberi grandi, soggetti a sotto-segmentazione.
Risultati Spaziali e Temporali:
- Le scorte totali di biomassa sopra il suolo (AGB) sono aumentate da 1,73 Tg (811 Gg C) nel 2018 a 1,81 Tg (850 Gg C) nel 2023, rappresentando un guadagno netto di carbonio di 39 Gg C.
- Alte densità di biomassa (~140 Mg ha⁻¹) si sono concentrate lungo l'Escarpment di Niagara e i corridoi ripariali, mentre le aree residenziali e commerciali hanno mostrato densità inferiori.
- Le mappe di incertezza del deep-ensemble hanno identificato con successo le regioni ad alta incertezza epistemica (es. zone agricole e di transizione) dove i dati di addestramento erano sotto-rappresentati.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro fornisce un workflow prototipale scalabile per la stima della biomassa urbana che opera esclusivamente su standard dati di sensori provinciali senza annotazione manuale. I contributi chiave includono:

Scalabilità: Dimostrare che lo pseudo-labeling basato su regole, combinato con il raffinamento tramite reti neurali, può raggiungere un'elevata accuratezza in ambienti urbani eterogenei, superando l'ostacolo dell'annotazione manuale.
Caratterizzazione dell'Errore: Quantificare esplicitamente che gli errori di delineazione della chioma, piuttosto che gli errori del modello allometrico, sono il limite primario nella stima operativa dell'AGB, con un focus specifico sulla sotto-segmentazione degli alberi grandi.
Mappatura Consapevole dell'Incertezza: Fornire un database bi-temporale a livello di chioma con un livello di incertezza associato, consentendo agli utenti di distinguere tra aree di alta confidenza e aree che richiedono validazione sul campo.
Contabilità del Carbonio: Offrire un'alternativa spazialmente esplicita ai metodi a bassa risoluzione o basati su campionamento, fornendo un database pubblicamente disponibile rilevante per la gestione municipale e la contabilità del carbonio regionale per gli "alberi fuori dalle foreste".

Lo studio mantiene un tono modesto riguardo ai valori assoluti della biomassa, riconoscendo che l'uso di equazioni allometriche derivate da foreste per alberi urbani in spazi aperti può introdurre un bias sistematico. Tuttavia, gli autori sostengono che i pattern spaziali e temporali relativi rimangano robusti, fornendo un passo fondamentale verso una contabilità del carbonio urbana più coerente.