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

Resumo Técnico: Rumo ao Mapeamento Generalizável de Sebes e Elementos Lenhosos Lineares a partir de Dados de Observação da Terra

Declaração do Problema
Elementos lenhosos lineares (ELLs), como sebes, linhas de árvores e vegetação ripícola, são críticos para a biodiversidade, adaptação climática e proteção do solo. No entanto, o mapeamento sistemático e em grande escala desses elementos utilizando dados de Observação da Terra (EO) permanece um desafio metodológico. As abordagens existentes são frequentemente altamente especializadas, dependendo de combinações estreitas de sensores específicos, resoluções espaciais e condições de aquisição (por exemplo, com folhas vs. sem folhas). Consequentemente, esses fluxos de trabalho carecem de transferibilidade; aplicar um modelo treinado em um conjunto de dados a uma região diferente ou tipo de sensor geralmente resulta em degradação significativa do desempenho ou requer retreinamento extensivo. Além disso, a diversidade de dados EO disponíveis na Alemanha — desde ortofotos de alta resolução até mapas de altura do dossel — carece de um pipeline de processamento unificado capaz de lidar com essa heterogeneidade enquanto mantém um único modelo de segmentação reutilizável.

Metodologia
Os autores propõem um fluxo de trabalho modular projetado para desacoplar a geração de uma máscara binária de vegetação lenhosa da separação morfológica de elementos lineares. O fluxo de trabalho consiste em dois componentes independentemente otimizáveis:

1. Interface de Dados de Entrada Heterogênea: Este módulo consolida diversas fontes de dados EO em um produto intermediário unificado: uma máscara binária de vegetação lenhosa. O estudo utiliza três fontes de entrada distintas para a Alemanha:

   • Dados BKG: Uma combinação de ortofotos digitais de 20 cm (DOP20), Modelos de Superfície Digital (DSM) de 1 m, Modelos Digitais de Terreno (DTM) de 1 m e polígonos de edificações. Devido à natureza mosaico do DOP20 (datas de aquisição variadas, condições com/sem folhas e realces de contraste), emprega-se uma lógica de processamento condicional. Isso inclui a geração de um DSM normalizado (nDSM), a criação de uma máscara de edificações e a aplicação de thresholding de NDVI específico por tile com base em metadados de aquisição para derivar a máscara de vegetação.
   • Mapa de Altura do Dossel (CHMv2): Um produto global derivado de imagens Maxar (aproximadamente 0,73 m de resolução na Alemanha), processado via um simples threshold de altura.
   • Mapa de Altura do Dossel de Liu et al. (2023): Um produto de 3 m de resolução derivado de imagens PlanetScope, também processado via thresholding de altura.

2. Rede Neural Profunda para Separação Morfológica: Um modelo de aprendizado profundo, baseado em uma arquitetura U-Net modificada, é treinado para separar elementos lineares de elementos não lineares (em manchas) dentro das máscaras binárias de vegetação.

   • Estratégia de Treinamento: Crucialmente, o modelo é treinado exclusivamente em dados sintéticos gerados proceduralmente. Isso evita a dependência de rótulos do mundo real específicos de locais, aprimorando a transferibilidade espacial. O gerador de dados sintéticos cria cenas de 1.024 × 1.024 pixels com combinações aleatórias de fundo, elementos lineares (formas angulares e orgânicas) e manchas (grandes, médias, pequenas).
   • Arquitetura e Entrada: O modelo aceita uma entrada de três canais: a máscara de vegetação binária, seu esqueleto e uma transformada de distância. Utiliza duas cabeças de saída: uma para segmentação de três classes (fundo, linear, não linear) e uma cabeça secundária para previsão de esqueleto restrita a elementos lineares.
   • Função de Perda: O objetivo de treinamento combina entropia cruzada ponderada, uma perda Dice focada na classe linear sub-representada e uma perda baseada em esqueleto para impor continuidade topológica.
   • Inferência: O modelo processa as máscaras em escala nacional em chips sobrepostos. O pós-processamento inclui refinamento baseado em esqueleto (removendo pixels distantes do esqueleto previsto) e a exclusão de estruturas lineares conhecidas não vegetadas (por exemplo, pontes, parques solares) utilizando dados vetoriais.

Principais Contribuições

• Um Fluxo de Trabalho Conceitual: Um pipeline unificado que integra dados de entrada heterogêneos (ortofotos, DSM/DTM, mapas de altura do dossel) em uma única máscara binária intermediária, permitindo o uso de um único modelo treinado em diferentes configurações de dados.
• Metodologia de Treinamento Sintético: Uma abordagem de treinamento baseada inteiramente na geração de dados sintéticos, permitindo um modelo espacialmente independente que não requer retreinamento quando aplicado a novas regiões ou tipos de sensores.
• Produtos em Escala Nacional: A derivação de três mapas nacionais de elementos lenhosos lineares para a Alemanha em resoluções espaciais de 0,73 m, 1 m e 3 m, demonstrando a flexibilidade do fluxo de trabalho.
• Estrutura de Avaliação: Uma avaliação abrangente utilizando dados de referência independentes de quatro estados federais (Baviera, Brandemburgo, Baden-Württemberg, Renânia do Norte-Vestfália) e uma nova métrica baseada em esqueleto (AUC de pontuações F1 sobre variados limiares de distância) para avaliar o acordo topológico, mitigando a sensibilidade de métricas pixel a pixel às diferenças de resolução.

Resultados
O estudo avaliou os três mapas derivados contra dados de referência e dois conjuntos de dados existentes (Huber-García et al., 2025; Muro et al., 2025).

• Desempenho: O fluxo de trabalho produziu resultados competitivos em todos os locais de avaliação. Os modelos derivados dos dados BKG (1 m) e CHMv2 (0,73 m) geralmente superaram os modelos de 3 m de resolução (Liu et al. e Muro et al.) em termos de correção topológica.
• Impacto da Resolução: Embora entradas de maior resolução tenham produzido saídas mais detalhadas, a avaliação baseada em esqueleto mostrou que a lacuna de desempenho entre resoluções foi menos pronunciada ao focar no alinhamento topológico em vez de sobreposição estrita de pixels.
• Generalizabilidade: Um único modelo treinado em dados sintéticos processou com sucesso três fontes de entrada distintas sem retreinamento, validando a transferibilidade do fluxo de trabalho.
• Limitações: A resolução de 1 m da máscara derivada do BKG (constrita pelo DSM) levou à exclusão de elementos lineares de baixo crescimento, resultando em uma lacuna de desempenho em comparação com o estudo de 20 cm de resolução de Huber-García et al. Adicionalmente, tiles adquiridos em condições sem folhas exigiram um ramo de processamento simplificado, ocasionalmente introduzindo estruturas não vegetadas (por exemplo, pontes) que requereram remoção no pós-processamento.

Significado
O artigo argumenta que o fluxo de trabalho proposto aborda o gargalo crítico da transferibilidade espacial no mapeamento de elementos lenhosos lineares. Ao abstrair os dados de entrada em uma máscara binária e tratar a tarefa de extração como um problema de separação morfológica generalizado resolvido por um modelo treinado em dados sintéticos, a abordagem elimina a necessidade de retreinamento específico de região. Essa modularidade permite que especialistas de domínio otimizem a geração da máscara de vegetação com base nos dados locais disponíveis, enquanto especialistas em aprendizado profundo podem melhorar independentemente o modelo de segmentação. Os autores postulam que este design fornece uma base para mapeamento escalável além da Alemanha, potencialmente estendendo-se a escalas europeias ou globais usando produtos de altura de dossel globais existentes, desde que conjuntos de dados de referência padronizados sejam estabelecidos para validação futura.