Resumo Técnico: TERRA-CD

Declaração do Problema

O monitoramento da vegetação urbana por meio de imagens de satélite é crítico para a avaliação ambiental e o planejamento urbano. No entanto, o desenvolvimento de metodologias avançadas de detecção de mudanças é dificultado pela escassez de conjuntos de dados abrangentes. Os recursos existentes focam predominantemente na detecção binária de mudanças (mudado vs. não mudado) ou na avaliação específica de danos por desastres. Embora existam alguns conjuntos de dados multiclasse (por exemplo, HRSCD, SECOND), eles são frequentemente concentrados geograficamente (principalmente na China), limitados em volume de pares de imagens ou restritos a aplicações específicas como expansão urbana, negligenciando o monitoramento nuances das dinâmicas da vegetação em diversos ambientes urbanos nos EUA e na Europa.

Metodologia

Construção do Conjunto de Dados (TERRA-CD)

Os autores apresentam o TERRA-CD (Repositório de Sensoriamento Remoto Temporal para Análise de Detecção de Mudanças), um conjunto de dados de referência em grande escala projetado para Detecção de Mudanças Multiclasse (MCD) e Detecção de Mudanças Semântica (SCD).

• Fonte de Dados: O conjunto de dados compreende 5.221 pares de imagens bitemporais (256×256 pixels) derivados de imagens Sentinel-2 Nível-2A (resolução de 10m).
• Escopo Temporal: As imagens foram capturadas durante julho–setembro de 2019 e 2024.
• Cobertura Geográfica: Abrangendo 232 cidades nos EUA (171 cidades) e na Europa (61 cidades), selecionadas com base em um limiar populacional de >50.000 para garantir diversidade urbana e de vegetação.
• Esquemas de Anotação: O conjunto de dados fornece três tipos distintos de máscaras:
  1. Mapeamento de Cobertura do Solo (LCM): 4 classes (Água, Área Construída, Vegetação Esparsa, Vegetação Densa).
  2. Detecção de Mudanças Multiclasse (MCD): 3 classes (Sem Mudança, Aumento de Vegetação, Diminuição de Vegetação).
  3. Detecção de Mudanças Semântica (SCD): 13 classes capturando todas as transições possíveis entre as 4 classes de cobertura do solo.
• Pipeline de Geração:
  • Aquisição: Utilizou a API Python do Google Earth Engine para baixar imagens de Reflectância de Superfície (SR) corrigidas atmosfericamente.
  • Classificação: Máscaras de cobertura do solo foram geradas usando um classificador automatizado de Máquinas de Vetor de Suporte (SVM) treinado em 50.000 pontos por classe, guiado por limiares de NDVI e Máscara de Água Sentinel (SWM).
  • Mascaramento de Mudança: Máscaras MCD e SCD foram derivadas por comparação baseada em pixels das máscaras LCM de 2019 e 2024.
  • Pré-processamento: Para abordar ruído e desequilíbrio de classes, os autores aplicaram filtragem de ruído morfológica (operação de abertura) e limpeza de dados baseada em histograma para remover tiles com distribuições extremas de pixels "sem mudança" (filtrando entre 80% e 99,5% de pixels sem mudança).
• Divisão: Os dados são divididos 70:15:15 (Treino:Validação:Teste) sem agrupamento por cidade para garantir generalizabilidade em diferentes ambientes urbanos.

Framework de Benchmarking

Os autores avaliaram a utilidade do conjunto de dados benchmarkando várias arquiteturas de aprendizado profundo:

• Modelos MCD: Redes Siamesas (variantes FC-Siam), variantes STANet (Base, BAM, PAM), variantes SNUNet e métodos de Comparação Pós-Classificação (PCC) usando UNet, LinkNet, DeepLabv3+ e PSPNet.
• Modelos SCD: Quatro estratégias do HRSCD, Bi-SRNet e Changemask.
• Estratégia de Treinamento: Os experimentos foram conduzidos em GPUs NVIDIA RTX 2080 Ti usando PyTorch. Para abordar o desequilíbrio de classes, os autores implementaram Perda de Entropia Cruzada com pesos de classe calculados via o método da raiz quadrada da frequência inversa. A otimização utilizou o otimizador AdamW com um agendador ReduceLROnPlateau.

Resultados Principais

Os resultados do benchmarking demonstram que o TERRA-CD suporta treinamento eficaz para ambas as tarefas MCD e SCD:

• Desempenho MCD: Entre os modelos testados para a tarefa de mudança de vegetação de 3 classes, o LinkNet alcançou o melhor desempenho com uma Precisão Global (OA) de 98,06%, um escore F1 de 79,37% e um coeficiente Kappa de 70,64%. Multi STANet-BAM e Multi SNUNet-conc também se apresentaram competitivamente.
• Desempenho SCD: Para a tarefa de mudança semântica de 13 classes, a Estratégia 4 do HRSCD produziu os melhores resultados com uma OA de 93,94%, um escore F1 de 94,50% e um mIoU de 71,83%.
• Comparação: As métricas de desempenho em todos os modelos avaliados caem dentro de faixas comparáveis às relatadas em outros conjuntos de dados proeminentes como HRSCD, SECOND e Hi-UCD, validando a qualidade e utilidade do conjunto de dados.

Significado e Alegações

O artigo alega que o TERRA-CD aborda lacunas críticas nos recursos existentes de sensoriamento remoto ao fornecer um conjunto de dados em grande escala e geograficamente diversificado focado especificamente em mudança de vegetação urbana.

• Novidade: Ao contrário de conjuntos de dados anteriores que focam em mudança binária ou avaliação específica de danos, o TERRA-CD oferece um framework granular de transição semântica de 13 classes e um framework de mudança específico de vegetação de 3 classes.
• Equilíbrio de Classes: O conjunto de dados apresenta uma proporção de pixels "sem mudança" de aproximadamente 92,95%, que é significativamente menor que os ~99% encontrados em conjuntos de dados atuais, oferecendo assim um desafio mais equilibrado para treinar modelos a detectar mudanças reais.
• Utilidade: Os autores postulam que o TERRA-CD serve como um benchmark versátil para melhorar modelos atuais e desenvolver arquiteturas inovadoras para MCD e SCD.
• Perspectiva Futura: Os autores sugerem que, à medida que as mudanças climáticas e a urbanização se intensificam, este conjunto de dados acelerará o progresso no monitoramento ambiental baseado em satélite, apoiando a tomada de decisões para o desenvolvimento sustentável. Trabalhos futuros estão planejados para incluir validação manual de todas as máscaras LCM e integração com fontes de dados multimodais como SAR e LiDAR.