Resumo Técnico: StruMPL

Formulação do Problema

O artigo aborda o desafio de estimar a Biomassa Aérea (AGB) e variáveis estruturais associadas (altura do dossel, cobertura, densidade de troncos, densidade da madeira) em florestas a partir de dados de Observação da Terra (EO). O problema é caracterizado por três restrições acopladas e estruturalmente incompatíveis que os métodos padrão de aprendizado multi-tarefa (MTL) e semi-supervisionado não conseguem abordar conjuntamente:

1. Supervisão Parcial Disjunta Heterogênea: As etiquetas de treinamento provêm de duas fontes distintas com conjuntos de variáveis não sobrepostos. O lidar espacial (por exemplo, GEDI) fornece métricas estruturais (altura, cobertura) em milhões de localizações, mas nenhuma biomassa. Parcelas terrestres fornecem biomassa e algumas métricas estruturais em milhares de localizações, mas nenhuma estrutura de dossel na escala do lidar. Nenhuma amostra de treinamento única contém etiquetas para todas as variáveis-alvo.
2. Etiquetas Ausentes Não Aleatoriamente (MNAR): As localizações das parcelas terrestres não são uma amostra aleatória da população florestal; os pesquisadores evitam terrenos inacessíveis e povoamentos degradados. Consequentemente, a AGB observada é enviesada em direção a valores intermediários, levando modelos padrão a subestimar sistematicamente a biomassa em florestas densas.
3. Restrições Físicas Inter-tarefa: As variáveis-alvo estão ligadas por leis alométricas conhecidas (por exemplo, $AGB \approx g(H, C, SD, WD; \phi)$). No entanto, como os dados de treinamento nunca observam todas as variáveis simultaneamente (devido às fontes disjuntas), esses parâmetros $\phi$ não podem ser ajustados diretamente apenas a partir dos dados.

Os autores formalizam isso como um problema de regressão densa multi-tarefa sob etiquetas MNAR com restrições físicas inter-tarefa, propondo o StruMPL (Aprendizado Multi-tarefa Estruturado com Restrições Físicas) como uma solução unificada.

Metodologia

O StruMPL emprega um framework de objetivo único com um codificador compartilhado e cabeças especializadas para abordar os três componentes do problema simultaneamente.

Arquitetura

• Codificador Compartilhado: Um ResUNet com atenção de canal e espacial processa entradas EO multicanal (por exemplo, SAR, óptico, coordenadas) para produzir um mapa de características $z$.
• Cabeças de Regressão: $K$ cabeças convolucionais independentes preveem cada variável-alvo $\hat{y}_k$ no espaço de escore-z.
• Cabeças de Imputação: $K$ cabeças independentes preveem uma linha de base de imputação $\hat{m}_k$ (o resultado esperado dados os covariáveis) para cada pixel.
• Cabeça de Propensão: Uma cabeça estima a probabilidade de observação por pixel e por variável $\hat{\pi}_k$ (o escore de propensão).
• Módulo de Física: Uma equação alométrica aprendível e diferenciável $g_\phi$ que avalia a relação física entre previsões estruturais e previsões de biomassa em cada pixel.

Função de Perda

O objetivo total $L_{total}$ combina cinco termos:
$$L_{total} = L_{sup} + \lambda_{phys} L_{phys} + \lambda_{cons} L_{cons} + \lambda_{bias} L_{bias} + \lambda_{imp} L_{imp}$$

1. Perda Supervisionada ($L_{sup}$) com AIPW:
   Em vez de MSE mascarado padrão, o artigo utiliza o estimador de Ponderação Inversa de Probabilidade Aumentada (AIPW). O pseudo-resultado $\tilde{y}$ é definido como:
   $$\tilde{y} = \mu + R \frac{1}{\hat{\pi}}(y - \mu)$$
   onde $\mu$ é a estimativa de imputação e $R$ é a máscara de observação.

   • Design Crítico: Dois stop-gradients são aplicados: um na propensão $\hat{\pi}$ e outro na imputação $\mu$.
     • Desacoplar $\hat{\pi}$ impede que o codificador inflacione as propensões para 1,0 para minimizar a perda (colapso de propensão).
     • Desacoplar $\mu$ impede que as cabeças de imputação colapsem sobre as cabeças de regressão, preservando a propriedade de redução de variância do AIPW sobre o IPW padrão.
   • Esta perda corrige o viés MNAR re-pesando os resíduos observados enquanto usa o modelo de imputação para fornecer supervisão em pixels não rotulados.

2. Perda de Consistência Física ($L_{phys}$):
   Este termo impõe a relação alométrica $g_\phi$ sobre as próprias previsões do modelo em cada pixel (rotulado ou não rotulado). Atua como um sinal semi-supervisionado, forçando previsões estruturais (de pixels supervisionados pelo GEDI) a serem consistentes com previsões de biomassa (de pixels supervisionados por parcelas) através dos coeficientes alométricos aprendidos. Os parâmetros $\phi$ são aprendidos conjuntamente com a rede.

3. Perdas Auxiliares:

   • $L_{bias}$: Entropia cruzada binária treinando a cabeça de propensão contra a máscara de observação.
   • $L_{cons}$: Perda de consistência sob augmentação de entrada (estilo FixMatch) para regularizar o codificador.
   • $L_{imp}$: MSE mascarado treinando as cabeças de imputação apenas em pixels rotulados.

Estratégia de Treinamento

Os autores empregam agrupamento balanceado por fonte, construindo cada lote como uma mistura 50/50 de amostras GEDI e de parcelas. Isso garante que o codificador receba gradientes equilibrados de ambas as estruturas de etiquetas e permite que a perda de física opere em lotes contendo tanto etiquetas estruturais quanto de biomassa.

Contribuições Principais

1. Formalização do Problema: O artigo define uma classe específica de problemas de regressão densa multi-tarefa envolvendo supervisão parcial disjunta heterogênea, etiquetas MNAR e restrições físicas inter-tarefa.
2. Design Conjunto de Propensão e AIPW: Introduz um modelo de propensão conjunto para correção espacial MNAR em regressão densa. Crucialmente, demonstra analítica e empiricamente que dois stop-gradients (na propensão e na imputação) são individualmente necessários para um treinamento conjunto estável. Sem eles, o framework colapsa para MSE enviesado ou IPW instável.
3. Módulo de Física Aprendível: Um módulo de restrição diferenciável avalia relações biofísicas conhecidas sobre as previsões do modelo em cada pixel. Diferentemente das Redes Neurais Informadas por Física (PINNs) padrão com parâmetros fixos, o StruMPL aprende os coeficientes alométricos conjuntamente, permitindo adaptação a biomas específicos e escalas de satélite.
4. Validação Empírica: O framework é validado em dois biomas ecologicamente distintos (florestas mediterrâneas na Espanha e florestas tropicais secas/savanas na África) usando arquitetura e receitas de treinamento idênticas, demonstrando portabilidade através da disponibilidade variável e desequilíbrio de fontes.

Resultados

O framework foi avaliado na variável-alvo AGB (Mg/ha) em dois locais:

• Desempenho: O StruMPL completo alcançou o menor RMSE e viés em ambos os locais em comparação com baselines de saída única, variantes de ablação e o método publicado mais próximo.
  • Espanha (SNFI): RMSE 41,9 ± 0,5 Mg/ha (vs. 43,1 para a baseline de saída única mais forte).
  • África (SEOSAW): RMSE 20,7 ± 0,6 Mg/ha (vs. 22,5 para a baseline de saída única).
• Insights de Ablação:
  • Correção MNAR: Análise estratificada no conjunto de dados da Espanha mostrou que a correção AIPW reduziu especificamente o viés na cauda de alta AGB (o regime sub-representado) em aproximadamente 54% em comparação com o MSE ingênuo.
  • Necessidade de Stop-Gradients: Remover qualquer stop-gradient levou a "colapso de propensão" (propensão média $\to$ 1,0) ou "colapso de imputação" (imputação $\to$ regressão), degradando significativamente o desempenho.
  • Módulo de Física: A forma alométrica motivada ecologicamente superou tanto uma lei de potência simples quanto um MLP aprendido, sugerindo que o viés indutivo da forma alométrica é mais valioso do que a expressividade bruta.
• Coeficientes Aprendidos: Os expoentes alométricos aprendidos foram pequenos, indicando que, na escala de satélite, a biomassa é amplamente explicada por uma linha de base aditiva e uma escala multiplicativa, com variáveis estruturais atuando como pequenas correções. Os coeficientes variaram qualitativamente entre biomas (por exemplo, expoente de cobertura de dossel mais alto na Espanha vs. África), alinhando-se com a intuição ecológica.

Significado e Alegações

O artigo alega que o StruMPL aborda com sucesso uma "tempestade perfeita" de desafios no monitoramento florestal baseado em EO: fontes de dados disjuntas, desequilíbrio de classes severo e viés de amostragem não aleatória.

• Redução de Viés: O significado principal é a redução do viés sistemático em regimes de alta biomassa, que são críticos para a estimativa de estoques de carbono, mas tipicamente sub-representados em dados de campo.
• Eficiência de Dados: Ao aproveitar as restrições físicas e o volume massivo de dados estruturais (GEDI) para supervisionar a previsão de biomassa, o framework utiliza efetivamente as etiquetas de biomassa esparsas.
• Generalizabilidade: Os autores sugerem que a formulação se aplica a qualquer domínio com propriedades estruturalmente semelhantes (por exemplo, hidrologia, estimativa de estado de bateria, imagem médica multimodal) onde variáveis-alvo estão ligadas por leis conhecidas, mas observadas através de instrumentos disjuntos e enviesados.

O artigo permanece modesto quanto a garantias teóricas, reconhecendo que, embora o AIPW ofereça dupla robustez sob ignorabilidade aproximada, o codificador compartilhado impede garantias formais de cross-fitting. No entanto, os resultados empíricos confirmam que a arquitetura proposta reduz efetivamente o viés e melhora a precisão em configurações do mundo real e ecologicamente distintas.