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

Technische Samenvatting: Naar Generaliseerbare Kaartopname van Hagen en Lineaire Houtige Elementen uit Aardeobservatiegegevens

Probleemstelling
Lineaire houtige elementen (LWF's), zoals hagen, boomrijen en oevervegetatie, zijn van cruciaal belang voor biodiversiteit, klimaatadaptatie en bodembescherming. Echter, de systematische, grootschalige kaartopname van deze elementen met behulp van Aardeobservatie (EO) gegevens blijft een methodologische uitdaging. Bestaande benaderingen zijn vaak sterk gespecialiseerd en vertrouwen op smalle combinaties van specifieke sensoren, ruimtelijke resoluties en opnamecondities (bijvoorbeeld blad aan versus blad af). Bijgevolg ontbreekt het aan overdraagbaarheid in deze workflows; het toepassen van een model dat is getraind op één dataset op een ander gebied of een ander sensortype resulteert doorgaans in significante prestatieachteruitgang of vereist uitgebreide hertraining. Bovendien ontbreekt er voor de diversiteit aan beschikbare EO-gegevens in Duitsland – van hoogresolutie orthofoto's tot kruinhoogtekaarten – een geünificeerde verwerkingspijplijn die deze heterogeniteit kan verwerken terwijl één enkel, herbruikbaar segmentatiemodel wordt gehandhaafd.

Methodologie
De auteurs stellen een modulaire workflow voor die is ontworpen om de generatie van een binaire houtige vegetatiemas te ontkoppelen van de morfologische scheiding van lineaire elementen. De workflow bestaat uit twee onafhankelijk optimaliseerbare componenten:

1. Interface voor Heterogene Invoergegevens: Deze module consolideert diverse EO-gegevensbronnen tot één uniek intermediair product: een binaire houtige vegetatiemas. De studie maakt gebruik van drie verschillende invoerbronnen voor Duitsland:

   • BKG-gegevens: Een combinatie van 20 cm digitale orthofoto's (DOP20), 1 m digitale oppervlaktemodellen (DSM), 1 m digitale terreinmodellen (DTM) en gebouwfootprints. Vanwege het mozaïekkarakter van de DOP20 (variërende opnamedata, blad aan/af-condities en contrastverbeteringen) wordt een conditionele verwerkingslogica toegepast. Dit omvat het genereren van een genormaliseerd DSM (nDSM), het aanmaken van een gebouwmasker, en het toepassen van tile-specifieke NDVI-drempelwaarden op basis van opnamemetagegevens om de vegetatiemas af te leiden.
   • Kruinhoogtekaart (CHMv2): Een globaal product afgeleid van Maxar-beeldmateriaal (ongeveer 0,73 m resolutie in Duitsland), verwerkt via een eenvoudige hoogte-drempel.
   • Kruinhoogtekaart van Liu et al. (2023): Een product met 3 m resolutie afgeleid van PlanetScope-beeldmateriaal, eveneens verwerkt via hoogte-drempelwaarden.

2. Diep Neuraal Netwerk voor Morfologische Scheiding: Een deep learning-model, gebaseerd op een gemodificeerde U-Net-architectuur, wordt getraind om lineaire elementen te scheiden van niet-lineaire (plek-achtige) elementen binnen de binaire vegetatiemaskers.

   • Trainingsstrategie: Cruciaal is dat het model uitsluitend wordt getraind op procedurally gegenereerde synthetische data. Dit voorkomt afhankelijkheid van locatiespecifieke real-world labels en verhoogt de ruimtelijke overdraagbaarheid. De synthetische datagenerator creëert scènes van 1.024 × 1.024 pixels met gerandomiseerde combinaties van achtergrond, lineaire elementen (hoekige en organische vormen) en plekken (groot, middelgroot, klein).
   • Architectuur & Invoer: Het model accepteert een drie-kanaals invoer: de binaire vegetatiemas, het skelet daarvan, en een afstandstransformatie. Het maakt gebruik van twee outputhoofden: één voor drie-klassen segmentatie (achtergrond, lineair, niet-lineair) en een secundair hoofd voor skeletvoorspelling beperkt tot lineaire elementen.
   • Verliesfunctie: De trainingsdoelstelling combineert gewogen cross-entropy, een Dice-verlies gericht op de ondervertegenwoordigde lineaire klasse, en een op het skelet gebaseerd verlies om topologische continuïteit af te dwingen.
   • Inferentie: Het model verwerkt de landelijke maskers in overlappende chips. Nascherming omvat op het skelet gebaseerde verfijning (verwijdering van pixels ver weg van het voorspelde skelet) en de uitsluiting van bekende niet-vegetatieve lineaire structuren (bijvoorbeeld bruggen, zonneparken) met behulp van vectorgegevens.

Belangrijkste Bijdragen

• Een Conceptuele Workflow: Een geünificeerde pijplijn die heterogene invoergegevens (orthofoto's, DSM/DTM, kruinhoogtekaarten) integreert tot één enkel intermediair binair masker, waardoor het gebruik van één getraind model mogelijk is over verschillende dataconfiguraties.
• Synthetische Trainingsmethodologie: Een trainingsbenadering die volledig gebaseerd is op synthetische datageneratie, wat een ruimtelijk onafhankelijk model mogelijk maakt dat geen hertraining vereist wanneer het wordt toegepast op nieuwe regio's of sensortypes.
• Landelijke Producten: De afleiding van drie landelijke kaarten van lineaire houtige elementen voor Duitsland met ruimtelijke resoluties van 0,73 m, 1 m en 3 m, wat de flexibiliteit van de workflow demonstreert.
• Evaluatiekader: Een uitgebreide evaluatie met behulp van onafhankelijke referentiegegevens uit vier deelstaten (Beieren, Brandenburg, Baden-Württemberg, Noordrijn-Westfalen) en een nieuw op het skelet gebaseerd maatstaf (AUC van F1-scores over variërende afstandsdrempels) om topologische overeenstemming te beoordelen, waarmee de gevoeligheid van pixel-voor-pixel-maatstaven voor resolutieverschillen wordt gemitigeerd.

Resultaten
De studie evalueerde de drie afgeleide kaarten tegen referentiegegevens en twee bestaande datasets (Huber-García et al., 2025; Muro et al., 2025).

• Prestaties: De workflow leverde concurrerende resultaten op voor alle evaluatieplekken. De modellen afgeleid van de BKG-gegevens (1 m) en CHMv2 (0,73 m) presteerden over het algemeen beter dan de modellen met 3 m resolutie (Liu et al. en Muro et al.) wat betreft topologische correctheid.
• Invloed van Resolutie: Hoewel hogere resolutie-invoer gedetailleerdere output opleverde, toonde de op het skelet gebaseerde evaluatie aan dat het prestatieverschil tussen resoluties minder uitgesproken was wanneer de focus lag op topologische uitlijning in plaats van strikte pixel-overlapping.
• Generaliseerbaarheid: Een enkel model, getraind op synthetische data, slaagde erin drie verschillende invoerbronnen te verwerken zonder hertraining, wat de overdraagbaarheid van de workflow bevestigt.
• Beperkingen: De 1 m resolutie van de BKG-afgeleide masker (beperkt door het DSM) leidde tot de uitsluiting van laaggroeiende lineaire elementen, wat resulteerde in een prestatiekloof vergeleken met de studie met 20 cm resolutie van Huber-García et al. Bovendien vereisten tiles die onder blad-af-condities waren opgenomen een vereenvoudigde verwerkingsvertakking, waarbij soms niet-vegetatieve structuren (bijvoorbeeld bruggen) werden geïntroduceerd die verwijdering tijdens de nascherming vereisten.

Betekenis
Het artikel betoogt dat de voorgestelde workflow de kritieke bottleneck van ruimtelijke overdraagbaarheid in de kaartopname van lineaire houtige elementen aanpakt. Door de invoergegevens te abstraheren tot een binair masker en de extractietak te behandelen als een generaliseerd morfologisch scheidingsprobleem dat wordt opgelost door een op synthetische data getraind model, elimineert de aanpak de noodzaak voor regio-specifieke hertraining. Deze modulariteit stelt domeinexperts in staat om de generatie van het vegetatiemasker te optimaliseren op basis van beschikbare lokale data, terwijl deep learning-specialisten het segmentatiemodel onafhankelijk kunnen verbeteren. De auteurs stellen dat dit ontwerp een fundament biedt voor schaalbare kaartopname buiten Duitsland, wat potentieel kan worden uitgebreid tot Europese of mondiale schalen met behulp van bestaande mondiale kruinhoogteproducten, mits gestandaardiseerde benchmarkdatasets worden opgezet voor toekomstige validatie.