Above-ground Biomass Estimation with Geospatial Foundation Models

Sintesi Tecnica: Stima della Biomassa Sopra il Suolo con Modelli di Fondazione Geospaziali

Problematica
La stima accurata della biomassa sopra il suolo (AGB - Above-Ground Biomass) da immagini satellitari è fondamentale per il monitoraggio globale delle scorte di carbonio e per le politiche climatiche. Tuttavia, la generazione di mappe AGB ad alta risoluzione, globali e regolarmente aggiornate rimane un compito di regressione complesso. Gli approcci attuali affrontano tre limitazioni primarie: (1) bias persistenti dove i segnali satellitari si saturano sopra le chiome dense, portando a una sottostima della biomassa elevata; (2) distribuzione non uniforme dei label di riferimento (ad esempio, i footprint GEDI sono confinati a latitudini inferiori a ~51,6°, escludendo le foreste boreali); (3) costi computazionali proibitivi per l'elaborazione di petabyte di dati di Osservazione della Terra (EO) a risoluzione di 10 m. Sebbene i Modelli di Fondazione Geospaziali (GFM) siano emersi come un paradigma per l'apprendimento di rappresentazioni general-purpose da dati EO non etichettati, la loro utilità per compiti di regressione quantitativa come la stima della biomassa rimane ampiamente inesplorata, poiché la maggior parte dei benchmark esistenti si concentra sulla classificazione e sulla segmentazione.

Metodologia
Gli autori presentano un benchmark completo dei GFM per la stima dell'AGB su scala globale utilizzando il dataset AGBD, un benchmark pronto per il machine learning che copre diversi biomi con circa 16 milioni di campioni che accoppiano i valori di biomassa GEDI L4A con dati satellitari multi-sorgente (Sentinel-2, ALOS-2 PALSAR-2 e feature ausiliarie).

Lo studio distingue due modalità distinte di implementazione dei GFM e le valuta rispetto a una baseline SOTA (stato dell'arte) completamente supervisionata:

1. Encoder Congelati (Distribuiti come Pesi): 11 GFM distribuiti come pesi del modello (ad esempio, CROMA, Prithvi, SSL4EO-MoCo) sono stati valutati all'interno del framework PANGAEA. Questi modelli sono stati eseguiti come encoder congelati, con solo un decoder specifico per il task (UPerNet) addestrato sopra. Crucialmente, questi modelli sono stati limitati al sottoinsieme di feature di input che supportano (principalmente bande ottiche Sentinel-2), mancando l'accesso ai dati L-band SAR e alle variabili ausiliarie disponibili nel dataset AGBD completo.
2. Embedding Pre-calcolati (Pronti all'Uso): Due prodotti di embedding, AlphaEarth Foundations (AEF) e TESSERA, sono stati valutati. Si tratta di rappresentazioni per pixel, pre-calcolate, derivate da dati EO multi-modali e multi-temporali. Gli autori hanno testato questi embedding utilizzando Linear Probes (LP), Multi-Layer Perceptrons (MLP) e la rete completamente convoluzionale SOTA (fcn_film).

L'valutazione ha incluso:

• Benchmarking Standard: Confronto dell'RMSE sul dataset AGBD.
• Test di Generalizzazione: Valutazione delle prestazioni in scenari zero-shot cross-region (addestramento su tutte le regioni tranne quella target) e cross-year (addestramento sul 2019, test sul 2020).
• Validazione Operativa: Confronto dei risultati con il dataset indipendente AGBref e con il prodotto operativo ESA CCI Biomass.

Contributi Chiave

1. Benchmark Completo: Gli autori hanno testato 11 GFM distribuiti come pesi e due prodotti di embedding sul dataset AGBD, il più grande e geograficamente diversificato dataset di biomassa pronto per il machine learning disponibile.
2. Analisi Comparativa: Hanno stabilito un confronto diretto tra encoder GFM congelati, embedding pre-calcolati e un modello SOTA completamente supervisionato addestrato sulle feature grezze di AGBD.
3. Esperimenti di Generalizzazione: Lo studio ha progettato e analizzato esperimenti specifici per testare le capacità di generalizzazione geografica (cross-continente) e temporale (cross-year).
4. Validazione Operativa: I risultati sono stati validati contro un dataset di riferimento indipendente (AGBref) e confrontati con le mappe di biomassa ESA CCI ampiamente utilizzate.

Risultati

• Gli Encoder Congelati sono meno performanti: Quando eseguiti come encoder congelati, gli 11 GFM distribuiti come pesi sono stati sostanzialmente meno performanti del modello SOTA completamente supervisionato addestrato sulle feature grezze di AGBD. Il miglior GFM (SSL4EO-MoCo) ha raggiunto un RMSE di 60,56 Mg/ha, rispetto ai 53,73 Mg/ha della baseline supervisionata. Questo divario è attribuito all'incapacità dei modelli di ingerire i dati L-band SAR e le variabili ausiliarie, e alla loro restrizione a input a data singola o a bande specifiche.
• Gli Embedding Pre-calcolati eccellono: Al contrario, i prodotti di embedding pre-calcolati si sono dimostrati altamente efficaci. Un MLP addestrato esclusivamente sugli embedding AEF (52,22 Mg/ha) ha superato la baseline supervisionata addestrata sulle feature grezze di AGBD. Il miglior risultato complessivo è stato ottenuto dal modello fcn_film addestrato sugli embedding AEF aumentati con feature grezze selezionate (copertura del suolo, pendenza, esposizione, coordinate), raggiungendo un RMSE di 50,79 Mg/ha.
• Generalizzazione: I modelli basati su AEF hanno dimostrato una superiore capacità di generalizzazione geografica e temporale. Nei trasferimenti zero-shot cross-region (ad esempio, verso l'Africa e il Sud America), AEF+ ha ridotto l'RMSE del 17–25% rispetto alle feature grezze. Tuttavia, nel Sud Asia, AEF da solo ha subito un calo di prestazioni nei setting zero-shot, che è stato mitigato dalla configurazione AEF+ (mantenendo le feature grezze). Temporalmente, gli embedding AEF sono rimasti stabili attraverso i gap temporali in cui le feature spettrali grezze degradavano significativamente.
• Parità Operativa: Quando valutato contro il dataset indipendente AGBref, il modello addestrato sugli embedding AEF (addestrato su sole 11 regioni) ha raggiunto una parità quasi totale con il prodotto ESA CCI globalmente calibrato in termini di R² e RMSE, nonostante l'uso da parte di quest'ultimo di dati di riferimento distribuiti globalmente.

Significatività e Rivendicazioni
Il paper sostiene che la promessa dei modelli di fondazione per il monitoraggio ambientale quantitativo si realizza al meglio quando un modello addestrato su dati ricchi, multi-modali e multi-temporali viene distribuito come uno strato di embedding accessibile e pre-calcolato, piuttosto che come pesi da far eseguire agli utenti come encoder congelati.

Gli autori argomentano che:

• La Ricchezza dell'Input è Critica: La performance superiore di AEF e TESSERA deriva non solo dalla scala di pre-addestramento, ma dalla ricchezza del contesto di input (multi-modale, multi-temporale) distillato negli embedding. I GFM distribuiti come pesi spesso mancano della flessibilità architettonica necessaria per ingerire i sensori specifici (ad esempio, SAR in banda L) richiesti per una stima accurata della biomassa.
• Efficienza e Accessibilità: Gli embedding pre-calcolati eliminano la necessità di estrazione di feature intensiva in termini di GPU, permettendo a modelli leggeri (come un semplice MLP) di superare reti completamente supervisionate e complesse addestrate su dati grezzi.
• Robustezza: Gli embedding forniscono rappresentazioni ecologiche trasferibili che generalizzano meglio nello spazio e nel tempo, sebbene il mantenimento delle feature grezze (AEF+) offra una salvaguardia contro i fallimenti fuori distribuzione in regioni ecologicamente distinte.

Lo studio conclude che, sebbene le feature dei GFM congelati possano essere altamente informative, la loro utilità è attualmente limitata dalle restrizioni di input e dalle frizioni ingegneristiche. La strada più efficace passa attraverso il rendere i modelli distribuiti come pesi abbastanza flessibili da gestire input e risoluzioni diverse, o continuando a servire le rappresentazioni come strati di embedding pre-calcolati e pronti per l'analisi.