Fields of The World: A Field Guide for Extracting Agricultural Field Boundaries

Resumo Técnico: Fields of The World (FTW)

Definição do Problema
O monitoramento agrícola em escalas continentais é crítico para a segurança alimentar, políticas de uso da terra e conformidade regulatória (ex: o Regulamento de Desflorestação da UE). No entanto, a unidade de análise para tarefas como mapeamento de safras, estimativa de rendimento e alocação de subsídios é o campo agrícola individual. A digitalização manual de limites de campos não é viável em escala, necessitando de abordagens automatizadas para extrair esses limites a partir de imagens de satélite. Métodos existentes frequentemente enfrentam dificuldades com variabilidade espectral e geometrias irregulares de parcelas, enquanto modelos anteriores de aprendizagem profunda podem carecer da diversidade necessária para a generalização global.

Metodologia
O artigo apresenta o ecossistema Fields of The World (FTW), que integra um conjunto de dados de referência (benchmark), modelos pré-treinados e ferramentas de linha de comando para facilitar o monitoramento agrícola de ponta a ponta.

• Pipeline de Dados: O fluxo de trabalho utiliza imagens bi-temporais do Sentinel-2 (Reflectância de Superfície Nível-2A) representando janelas de plantio e colheita. O sistema consulta o catálogo STAC da Microsoft Planetary Computer para adquirir cenas livres de nuvens. Para cada tile MGRS (100×100 km), as janelas sazonais são definidas com base nos calendários agrícolas locais, e composições medianas são computadas para reduzir artefatos atmosféricos.
• Extração de Limites de Campos: Os modelos de segmentação principais empregam uma arquitetura U-Net com um codificador EfficientNet-B3 pré-treinado no ImageNet. Os modelos aceitam duas entradas de 4 canais (RGB + NIR com resolução de 10m) de observações do início e do final da estação para capturar diferenças fenológicas. O conjunto de dados de treinamento abrange 24 países com tamanhos de campo variando de <1 ha a >100 ha. O modelo produz probabilidades por pixel para interiores de campos, limites e fundo.
• Pós-processamento: O pacote ftw-tools fornece uma interface de linha de comando para inferência. O pós-processamento envolve o limiar de saídas softmax em 0,5, aplicação de abertura morfológica para remover pequenos artefatos e conversão de rasters para polígonos via componentes conectados. A filtragem opcional usando máscaras de cobertura da terra (ex: ESA WorldCover) remove áreas não agrícolas como florestas e água.
• Aplicações de Jusante (Downstream):
  • Classificação de Safras: O artigo integra polígonos FTW com MOSAIKS (Random Convolutional Features). Para cada polígono, 256 filtros aleatórios de 3×3 são aplicados aos pixels do Sentinel-2 para gerar embeddings de 256 dimensões. Um classificador de regressão logística é treinado nestes embeddings usando rótulos do USDA Cropland Data Layer (CDL).
  • Atribuição de Perda de Floresta: O sistema une espacialmente os polígonos derivados do FTW com o conjunto de dados Hansen Global Forest Change (GFC) (resolução de 30m, 2000–2023) para computar estatísticas zonais (média, mínimo, perda máxima anual) por campo, identificando parcelas com desflorestação recente relevante para a conformidade com o EUDR.
  • Inferência em Escala de País: Predições pré-computadas para cinco países (Japão, México, Ruanda, África do Sul, Suíça) cobrindo 4,76 milhões de km² estão armazenadas em arquivos Zarr otimizados para a nuvem. Estes utilizam inferência de janela deslizante (256×256 pixels com 25% de sobreposição) e média ponderada por Gauss para suprimir artefatos de borda.

Principais Contribuições

1. Ecossistema FTW: Um recurso abrangente que compreende um benchmark de 1,6 milhão de polígonos de campos em 24 países, modelos de segmentação pré-treinados e ferramentas de inferência de código aberto (ftw-tools).
2. Fluxos de Trabalho Reproduzíveis: Dois notebooks Python demonstrando processos de ponta a ponta: (1) extração de limites de campos em escala local acoplada à classificação de safras e atribuição de perda de floresta, e (2) inferência em escala de país e detecção de mudanças usando dados nativos da nuvem.
3. Capacidade Few-Shot: Demonstração de que os embeddings MOSAIKS derivados de polígonos FTW permitem uma classificação de safras eficaz com dados rotulados limitados.
4. Acesso Nativo à Nuvem: Provisão de predições pré-computadas em escala de país em arquivos Zarr, permitindo carregamento preguiçoso (lazy loading) e consultas espaciais sem o download completo do conjunto de dados.

Resultados

• Classificação de Safras: No tile MGRS 14TPN (Iowa, EUA), o sistema alcançou pontuações macro F1 entre 0,65 e 0,75 para classificação de tipos de cultura (milho, soja, gramíneas/pastagem, alfafa) usando rótulos limitados. O treinamento com apenas 10% dos campos rotulados gerou pontuações dentro de 5% do treinamento com dados completos. O PCA dos embeddings revelou clusters separáveis por tipo de cultura, com alta precisão para classes dominantes (F1 > 0,8) e confusão esperada entre classes minoritárias.
• Variação de Tamanho de Campo: As predições pré-computadas revelaram áreas médias de campo variando de 0,06 ha na Ruanda (refletindo sistemas de pequenos produtores) a 0,28 ha na Suíça (refletindo sistemas mecanizados).
• Detecção de Mudanças: O sistema detectou com sucesso mudanças ano a ano (2023 vs. 2024) através da diferenciação de mapas de probabilidade de campo, sinalizando pixels que excedem o percentil 99 da diferença absoluta como potencial expansão ou abandono agrícola.

Significância
O artigo posiciona o ecossistema FTW como uma ferramenta fundamental para o monitoramento agrícola escalável. Demonstra que modelos de segmentação treinados em dados globais diversos podem generalizar através de diferentes geografias e zonas climáticas. Ao integrar os limites de campos extraídos com tarefas de jusante, como classificação de safras e monitoramento de perda de floresta, o ecossistema apoia aplicações críticas em segurança alimentar e conformidade regulatória (ex: EUDR). A disponibilidade de dados pré-computados e otimizados para a nuvem permite que pesquisadores e profissionais realizem análises temporais e consultas espaciais de forma eficiente, sem o ônus computacional de executar a inferência localmente.