Evaluating AlphaEarth and TESSERA Geospatial Embeddings for Machine Learning-Based Burned Area Mapping in Portugal

Technische Samenvatting: Evaluatie van AlphaEarth en TESSERA Geospatiale Embeddings voor het In kaart Brengen van Verbrand Gebied in Portugal

Probleemstelling
Nauwkeurige kaartvorming van verbrand gebied is cruciaal voor de beoordeling van schade door bosbranden, post-fire beheer en analyse van vuurregimes, met name in brandgevoelige mediterrane landschappen zoals Portugal. Traditionele satellietgebaseerde benaderingen vertrouwen op spectrale indices (bijv. dNBR) afgeleid van paren pre- en post-fire optische beelden. Hoewel effectief, zijn deze methoden operationeel veeleisend, omdat ze voor elke individuele brand specifieke beeldselectie, wolkmaskering, temporele compositievorming en differentiatie vereisen. Recente geospatiale embedding-datasets, zoals AlphaEarth en TESSERA, bieden compacte, direct bruikbare representaties van Earth Observation-data die potentieel classificatie kunnen ondersteunen met lagere verwerkingsvereisten. De prestaties van deze methoden ten opzichte van gevestigde spectrale workflows en hun vermogen om te generaliseren naar ongeziene brandgebeurtenissen zijn echter nog onvoldoende beoordeeld.

Methodologie
De studie evalueerde AlphaEarth en TESSERA embeddings tegenover een Sentinel-2 spectrale baseline voor machine learning-gebaseerde classificatie van verbrand gebied. Het experimentele kader maakte gebruik van 20 bosbrandgebeurtenissen, geselecteerd uit de officiële 2024 ICNF-catalogus voor verbrand gebied in Portugal, gestratificeerd naar brandgrootte om een gebalanceerde dataset te waarborgen.

• Dataprovidentie: Er werd een binaire puntgebaseerde sampling-opzet gehanteerd. Verbrande monsters (klasse 1) werden gegenereerd binnen officiële brandperimeters, terwijl onverbrande monsters (klasse 0) werden getrokken uit een adaptieve externe buffer, geschaald naar het oppervlak van de brandperimeter om een vergelijkbare ruimtelijke support te behouden. De dichtheid van de sampling was evenredig aan de brandgrootte, begrensd tussen 100 en 5.000 punten per klasse.
• Feature Stacks: Drie feature-representaties werden geëxtraheerd voor de gesamplede punten:
  1. AlphaEarth: 64-dimensionale jaarlijkse geospatiale embeddings (2024 en 2025 varianten).
  2. TESSERA: 128-dimensionale spectrale-temporele embeddings afgeleid van satelliet-tijdreeksen (2024 en 2025 varianten).
  3. Sentinel-2 Spectrale Baseline: Een stack van 45 predictoren bestaande uit 10 originele banden, 5 spectrale indices (NDVI, NBR, NBR2, NDMI, BSI) en hun temporele verschillen (pre- versus post-fire vensters) voor het brandjaar 2024.
• Machine Learning: Drie supervised classifiers—Random Forest (RF), Support Vector Machine (SVM) en Gradient Boosting (GB)—werden geëvalueerd.
• Validatiestrategie: Een rigoureuze vijf-voudige GroupKFold cross-validatie werd gebruikt, waarbij de samples gegroepeerd werden per fire_id. Dit garandeerde dat geen monsters van een specifieke brandgebeurtenis zowel in de trainingsset als in de testset voorkwamen, wat een conservatieve maatstaf bood voor de generalisatie naar ongeziene brandgebeurtenissen.
• Analyse: Prestaties werden beoordeeld aan de hand van de F1-score, gebalanceerde accuratesse, precisie, recall, ROC-AUC en een cel-gebaseerde Intersection over Union (IoU). Feature belangstelling werd geanalyseerd met behulp van RF en LIME (voor de spectrale baseline), en ruimtelijke voorspellingskaarten werden gegenereerd voor twee grote brandgebeurtenissen met behulp van het best presterende model.

Belangrijkste Resultaten

• Prestatiehiërarchie: De Sentinel-2 spectrale baseline behaalde de hoogste algehele prestaties, met een gemiddelde F1-score van 0,895 ± 0,027. Onder de embedding-gebaseerde representaties presteerde TESSERA consistent beter dan AlphaEarth. TESSERA (SVM) behaalde een gemiddelde F1-score van 0,860 ± 0,046, terwijl AlphaEarth (SVM) een score van 0,812 ± 0,083 behaalde.
• Classifier Prestaties: SVM leverde over het algemeen de beste resultaten op voor alle feature stacks, hoewel het verschil tussen de classifiers kleiner was dan het verschil tussen de feature-representaties.
• Temporele Stabiliteit: Fire-year (2024) embeddings presteerden significant beter dan volgend jaar (2025) embeddings. Voor TESSERA daalde de F1-score van 0,860 naar 0,796 bij gebruik van 2025-data; voor AlphaEarth daalde deze van 0,812 naar 0,722.
• Feature Belangstelling:
  • TESSERA: Toonde een lage temporele stabiliteit in feature belangstelling, waarbij slechts één dimensie gedeeld werd tussen de top-15 rangschikkingen van 2024 en 2025, wat wijst op een hoge gevoeligheid voor jaar-specifieke spectrale-temporele veranderingen.
  • AlphaEarth: Demonstreerde een hogere temporele consistentie, met negen gedeelde dimensies in de top-15 rangschikkingen.
  • Sentinel-2 Baseline: LIME-analyse identificeerde de gedifferentieerde Normalized Burn Ratio (dNBR) als de meest voorspellende variabele, gevolgd door post-fire NBR2 en nabij-infrarood banden, wat de fysieke gronding van de spectrale benadering bevestigt.
• Ruimtelijke Kaartvorming: Het TESSERA/SVM-model produceerde ruimtelijk coherente patronen van verbrand gebied voor twee grote brandgebeurtenissen (8.310 ha en 299 ha). Hoewel het model de brede ruimtelijke omvang reproduceerde, strekten sommige voorspelde gebieden zich uit buiten de officiële perimeters, wat soms samenviel met nabijgelegen branden in plaats van zuivere commissiefouten te vertegenwoordigen.

Significantie en Claims
Het onderzoek concludeert dat geospatiale embeddings veelbelovende schaalbare complementen zijn voor spectrale workflows, in plaats van directe vervangingen.

• Operationele Afweging: Hoewel de doelgerichte Sentinel-2 spectrale baseline de superieure optie blijft wanneer nauwkeurige branddata en geschikte beelden beschikbaar zijn, nadert TESSERA deze prestaties zonder dat er gebeurtenis-specifieke beelddifferentiatie nodig is. Dit maakt TESSERA bijzonder nuttig voor scenario's waarin een enkele jaarlijkse feature-layer meerdere brandgebeurtenissen moet ondersteunen.
• Beperkingen: De studie merkt op dat embeddings de nauwkeurigheid van spectrale baselines nog niet evenaren. Bovendien was de evaluatie beperkt tot 20 gebeurtenissen uit één enkel jaar, en de validatiestrategie testte niet de temporele overdraagbaarheid over verschillende brandseizoenen. De gerapporteerde IoU is een cel-gebaseerde benadering gebaseerd op samplepunten, en geen volledige raster-naar-polygon vergelijking.
• Toekomstige Richtingen: De auteurs suggereren dat toekomstig werk zich moet richten op volledige raster-naar-perimeter validatie, het beoordelen van de temporele overdraagbaarheid en het verkennen van hybride feature stacks die embeddings combineren met interpreteerbare spectrale features om prestaties, schaalbaarheid en interpreteerbaarheid in evenwicht te brengen.