Technische Samenvatting: Onzekerheidskwantificering voor EO-regressietaken

Probleemstelling

Earth Observation (EO) regressietaken, specifiek de schatting van gebouwhoogte, boomkruinhoogte en bovengrondse biomassa (AGB), zijn cruciaal voor stedelijke planning, bosbeheer en klimaatbeleid. De meeste standaard deep learning-modellen leveren echter deterministische voorspellingen (enkele scalaire waarden per pixel) zonder aan te geven hoe betrouwbaar of zelfverzekerd die voorspellingen zijn. Dit gebrek aan onzekerheidskwantificering is bijzonder problematisch in EO vanwege inherente uitdagingen zoals heterogene landoppervlakken, scheve doelwitdistributies, sensorruis, atmosferische interferentie en signaalverzadiging bij hoge doelwaarden.

Hoewel onzekerheidsinschatting goed gevestigd is in computer vision (vaak met behulp van Bayesiaanse benaderingen of ensembles), blijft de systematische toepassing ervan op EO-regressie beperkt. Bovendien presenteren regressietaken unieke moeilijkheden vergeleken met classificatie: continue doelruimtes met scheve of zware staartdistributies maken het definiëren van gekalibreerde onzekerheidsmaten uitdagend. Standaard Gaussische aannames kunnen falen bij het vastleggen van asymmetrische onzekerheden die gebruikelijk zijn in EO-data, wat alternatieve benaderingen noodzakelijk maakt.

Methodologie

De auteurs stellen voor om aleatorische onzekerheid (onherleidbare ruis in data) te modelleren met behulp van een jaarlijkse tijdreeks van Sentinel-1 SAR en Sentinel-2 MSI beelden (12 maanden, 10m resolutie). Ze introduceren twee complementaire deep learning-benaderingen die een gemeenschappelijke backbone delen, maar verschillen in hun onzekerheid-headers:

1. Netwerkarchitectuur

• Backbone: Een gedeelde CNN-encoder gebaseerd op ResNet50 verwerkt de 12-maanden tijdreeks (T=12, C=9 kanalen). Kenmerken worden naar een latente ruimte gemapt en verwerkt door twee opeenvolgende Swin Transformer-blokken met gebruik van shifted window attention om spatio-temporele afhankelijkheden te vangen.
• Decoder: Een multi-level decoder (L1, L2, L3) verbetert de kenmerken met temporele aandacht en upsampled ze om pixelgewijze voorspellingen te genereren.

2. Gaussische Onzekerheid (Gaussian UC)

• Formulering: Een parametrische benadering die ervan uitgaat dat het doelwit een Gaussische verdeling volgt. Het model voorspelt gezamenlijk het gemiddelde ($\mu$) en de log-standaarddeviatie ($\eta = \log \sigma$).
• Verliesfunctie (Loss Function): Getraind met een gewogen som van:
  • Negative Log-Likelihood (NLL): De primaire loss, die prioriteit geeft aan pixels met een niet-nul grondwaarheid.
  • Sobel Edge Loss: Behoudt randen en onderdrukt vervaging.
  • RMSE: Fungeert als een regularisator voor de gemiddelde voorspelling.

3. Kwantiel Onzekerheid (Quantile UC)

• Formulering: Een niet-parametrische benadering die de 10e, 50e en 90e conditionele kwantielen ($Q_{10}, Q_{50}, Q_{90}$) schat. Dit maakt asymmetrische predictie-intervallen mogelijk, wat beter geschikt is voor scheve distributies.
• Verliesfunctie (Loss Function): Getraind met een gewogen som van:
  • Pinball Loss (Kwantielverlies): Minimaliseert de fout over de drie kwantielen.
  • Regularisatietermen:
    • Coverage Shortfall: Moedigt de empirische dekking van $[Q_{10}, Q_{90}]$ aan om de nominale 80% te benaderen.
    • Non-Crossing: Dwingt af dat $Q_{10} \leq Q_{50} \leq Q_{90}$.
    • Confidence-Adaptive Spread: Verkleint de intervalbreedte wanneer de mediaanvoorspelling accuraat is.
  • Sobel en RMSE: Toegepast op de mediaan ($Q_{50}$) om randen te behouden en schattingen te stabiliseren.

4. Evaluatiemetrieken

• Nauwkeurigheid: RMSE, $R^2$, MAPE, nMAD (genormaliseerde mediane absolute afwijking) en IoU.
• Onzekerheidskalibratie:
  • ErrorCoverage: Voor Gaussian UC meet dit het percentage residuen dat binnen $k\sigma$ ($k=1, 2, 3$) valt.
  • DataCoverage: Voor Quantile UC meet dit het percentage grondwaarheidwaarden dat binnen het $[Q_{10}, Q_{90}]$ interval valt.

Belangrijkste Bijdragen

1. Vergelijkend Kader: Het artikel vergelijkt systematisch de Gaussische en Kwantiel-formuleringen voor aleatorische onzekerheid in EO-regressie.
2. Multi-Task Evaluatie: Beide benaderingen worden geëvalueerd op drie hoog-impact taken: Gebouwhoogte Schatting (BHE), Boomkruinhoogte Schatting (CHE) en Bovengrondse Biomassa (AGB) schatting, gebruikmakend van gefuseerde SAR en multispectrale tijdreeksen.
3. Kalibratiemetrieken: De auteurs demonstreren het gebruik van "ErrorCoverage" en "DataCoverage" om de kalibratie van voorspelde onzekerheidsintervallen rigoureus te evalueren.
4. Prestatiebenchmarking: De studie toont aan dat onzekerheid-bewuste modellen een nauwkeurigheid kunnen bereiken die vergelijkbaar is met deterministische baselines, terwijl ze interpreteerbare betrouwbaarheidsindicaties bieden.

Resultaten

De modellen werden getest op datasets die Estland, Finland, Duitsland, Nederland en Zwitserland beslaan.

• Nauwkeurigheid: Beide modellen behaalden concurrerende resultaten.
  • Boomkruinhoogte & Biomassa: Het Gaussian UC-model presteerde het best, waarbij CHE een RMSE van 2,33 m en AGB een RMSE van 30,14 ton/pixel behaalde. $R^2$-scores waren hoog (0,80–0,90), wat wijst op een efficiënt leerproces van vegetatievariaties.
  • Gebouwhoogte: Het Quantile UC-model presteerde iets beter dan het Gaussian-model (RMSE 2,37 m vs. 2,56 m, $R^2$ 0,50 vs. 0,42). De auteurs schrijven dit toe aan de heterogeniteit van stedelijke omgevingen, waar asymmetrische intervallen lokale biases en niet-Gaussische distributies beter kunnen vangen.
• Kalibratie:
  • Gaussian UC: De Error Coverage-percentages lagen dicht bij de nominale Gaussische verwachtingen (bijv. ~68% binnen $\pm1\sigma$, ~95% binnen $\pm2\sigma$). Echter, in sommige gebieden met hoge waarden blafde het model de onzekerheid op om compensatie voor de staart-misfits te bieden.
  • Quantile UC: De Data Coverage voor het $[Q_{10}, Q_{90}]$ interval was ongeveer 80% voor alle taken (0,79–0,82), wat duidt op goed gekalibreerde asymmetrische intervallen.
• Distributiekenmerken: De resultaten benadrukten dat fouten in gebouwhoogte en biomassa vaak een rechts-scheve distributie vertonen (systematische onderschatting bij hoge waarden), wat het Quantile-model effectief vastlegde via bredere bovenste intervallen ($Q_{50}$–$Q_{90}$) vergeleken met de lagere intervallen.

Betekenis en Claims

Het artikel beweert dat expliciete modellering van aleatorische onzekerheid onmisbaar is voor betrouwbare EO-inferentie, vooral gezien de ruis en verzadiging die inherent zijn aan satellietdata. De auteurs stellen dat:

• Onzekerheidsestimatiemodellen een nauwkeurigheid kunnen evenaren of zelfs overtreffen van deterministische benchmarks, terwijl ze operationeel bruikbare betrouwbaarheidsindicaties bieden.
• De keuze tussen de Gaussische en de Kwantiel-formulering afhangt van het doelgebied: Gaussische aannames werken goed voor gladdere vegetatietargets, terwijl Kwantiel-regressie superieur is voor complexe, scheve stedelijke omgevingen.
• De voorgestelde modellen de huidige 10m state-of-the-art onzekerheid-bewuste modellen specifiek voor boomkruinhoogte-schatting overtreffen.
• Het werk een kritieke kloof in EO aanpakt door verder te gaan dan enkelvoudige waarde-voorspellingen en gekalibreerde, interpreteerbare onzekerheidskaarten te bieden die essentieel zijn voor besluitvorming in klimaatbeleid en stedelijke planning.

De implementatie wordt beschikbaar gesteld aan de gemeenschap om verdere research in dit domein te faciliteren.