Resumo Técnico: BELDE – Construindo um Conjunto de Dados de Cobertura da Terra de Observação da Terra em Grande Escala para a Europa

Declaração do Problema

A segmentação semântica precisa de cobertura do solo é essencial para o monitoramento ambiental, planejamento urbano e resposta a desastres. Embora sensores multiespectrais estejam cada vez mais disponíveis, a imagem colorida verdadeira (RGB) permanece como a modalidade mais amplamente acessível devido às menores restrições de armazenamento, transmissão e implantação em várias plataformas de satélite e aéreas. No entanto, os conjuntos de dados de segmentação semântica baseados em RGB existentes sofrem de limitações significativas: cobertura geográfica restrita, escala pequena, diversidade ambiental estreita ou falta de acessibilidade pública. Consequentemente, modelos treinados nesses conjuntos de dados falham em generalizar para regiões com diferentes climas, distribuições de cobertura do solo ou condições atmosféricas. Há uma necessidade crítica de um benchmark RGB de grande escala, geograficamente diverso e publicamente acessível para avaliar a robustez e a transferibilidade de modelos de observação da Terra.

Metodologia

Construção do Conjunto de Dados (BELDE)

Os autores apresentam o BELDE (Building a Large-scale Earth-observation Land-cover Dataset for Europe), um conjunto de dados publicamente disponível construído por meio de um pipeline totalmente automatizado e reprodutível.

• Fontes de Dados: O conjunto de dados combina Imagens de Cor Verdadeira (TCI) do Sentinel-2 e anotações de cobertura do solo ESA WorldCover 2021. O Sentinel-2 fornece compostos medianos anuais com resolução de 10m, facilitando a remoção de nuvens e normalização.
• Escopo Geográfico: O conjunto de dados primário cobre a Europa (longitude 13°W–50°E, latitude 33°N–60°N), abrangendo diversos climas, do mediterrâneo ao alpino.
• Pipeline de Pré-processamento:
  1. Alinhamento Espacial: Mosaicos RGB e mapas de cobertura do solo co-registrados são alinhados usando identificadores geoespaciais.
  2. Extração de Patches: Uma estratégia de janela deslizante gera patches de 256 × 256 pixels não sobrepostos a 10m de resolução para evitar vazamento de dados (data leakage).
  3. Harmonização de Rótulos: As 11 classes originais da ESA WorldCover foram agregadas em 7 classes semânticas (Árvore, Arbusto, Gramado, Cultura, Área Construída, Solo Nu, Água) para lidar com o desequilíbrio de classes e a sobreposição semântica em observações RGB (por exemplo, fundindo manguezais em árvores, neve em solo nu).
  4. Filtragem de Qualidade: Patches com dados ausentes ou >90% de cobertura de água são excluídos.
• Estatísticas Finais: O conjunto de dados curado contém 1.088.385 pares de imagem-máscara.

Benchmarks Fora da Distribuição (Out-of-Distribution)

Para avaliar o deslocamento de domínio geográfico, dois subconjuntos adicionais foram gerados usando o mesmo pipeline:

• BELDE-K: Cobre a República da Coreia (16.607 pares).
• BELDE-CA-NV: Cobre Califórnia e Nevada, EUA (88.155 pares).

Protocolo de Avaliação

Os autores avaliaram 17 arquiteturas de segmentação semântica em três famílias:

1. CNNs Encoder-Decoder: UNet, UNet++, DeepLabV3/V3+, FPN, LinkNet, PSPNet.
2. Modelos Baseados em Transformer: SegFormer, variantes de DPT (DeiT3, MaxViT).
3. Arquiteturas Leves/Híbridas: EfficientFormer, FastViT, LALE.

Os modelos foram treinados usando o otimizador AdamW com perda Dice multiclasse, normalização ImageNet e aumentos padrão. O desempenho foi medido usando Acurácia, Precisão, Recall, F1-score e IoU em conjuntos de teste de domínio interno (Europa) e de domínio cruzado zero-shot (Coreia, CA-NV).

Principais Contribuições

1. Conjunto de Dados BELDE: Um conjunto de dados de segmentação semântica RGB de grande escala e publicamente disponível, contendo mais de 1,08 milhão de pares imagem-máscara geoalinhados através da Europa a 10m de resolução.
2. Benchmarks Transregionais: O lançamento do BELDE-K e BELDE-CA-NV para permitir a avaliação sistemática do deslocamento de domínio geográfico e a transferibilidade de modelos.
3. Resultados de Baseline: Benchmarking abrangente de 17 arquiteturas de última geração, estabelecendo bases de desempenho tanto para configurações de domínio interno quanto de domínio cruzado.
4. Pipeline Reprodutível: Um framework de código aberto e automatizado para geração de conjuntos de dados, promovendo transparência e expansão futura.

Resultados

Desempenho de Domínio Interno (Europa)

• Melhores Desempenhos: Arquiteturas baseadas em Transformer e híbridas alcançaram a maior precisão. EfficientFormer-L7 e MaxViT atingiram F1-scores de 83,0% e 82,9%, respectivamente.
• Desempenho de CNN: Modelos baseados em CNN como o UNet permaneceram competitivos, alcançando um F1-score de 81,8% com 31M de parâmetros.
• Modelos Leves: O modelo LALE-S2 demonstrou uma relação eficiência-desempenho favorável, alcançando 78,2% de F1-score com apenas 2,6M de parâmetros.
• Análise Específica de Classe: Os modelos tiveram bom desempenho em classes espectralmente homogêneas (Árvore, Água), mas tiveram dificuldades com classes estruturalmente heterogêneas e raras, particularmente Arbusto, que consistentemente apresentou os menores F1-scores em todas as arquiteturas.

Generalização Transregional

• Queda de Desempenho: Modelos treinados no BELDE (Europa) exibiram degradação significativa de desempenho quando aplicados a regiões fora da distribuição, destacando o desafio do deslocamento de domínio geográfico.
  • BELDE-K (Coreia): F1-scores caíram para 58,3% (EfficientFormer-L7) e 58,2% (MaxViT).
  • BELDE-CA-NV (EUA): F1-scores caíram para 66,4% (MaxViT) e 66,2% (EfficientFormer-L7).
• Observações: A diminuição do desempenho é atribuída a composições de cobertura do solo distintas (ex: maior densidade de árvores na Coreia, maior área de solo nu em CA-NV) e diferenças ecológicas. Embora os modelos de transformer geralmente tenham mantido um desempenho absoluto mais alto, todas as famílias arquiteturais mostraram degradação consistente, sugerindo que a variabilidade geográfica é um fator limitante dominante, em vez de apenas a capacidade do modelo.

Significância e Alegações

O artigo postula que o BELDE aborda uma lacuna crítica na pesquisa de observação da Terra ao fornecer um benchmark RGB de escala continental. Sua principal significância reside em:

• Permitir Estudos de Robustez: Ao oferecer conjuntos de treinamento e avaliação geograficamente diversos, o BELDE permite que pesquisadores estudem e quantifiem sistematicamente os desafios do deslocamento de domínio no mapeamento de cobertura do solo.
• Relevância no Mundo Real: Focar exclusivamente em imagens RGB garante que o conjunto de dados seja aplicável a uma ampla gama de sistemas de sensoriamento operacionais e com recursos limitados.
• Estabelecimento de Baseline: Os benchmarks fornecidos servem como referência para avaliar a transferibilidade de modelos de segmentação, revelando que os modelos atuais de última geração lutam para generalizar entre continentes sem adaptação.

Os autores concluem que, embora os modelos baseados em transformer ofereçam precisão superior, as arquiteturas leves fornecem alternativas viáveis para implantação com recursos restritos. Eles enfatizam que a generalização entre continentes continua sendo um problema aberto desafiador, ressaltando a necessidade de benchmarks geograficamente diversos para o desenvolvimento de sistemas robustos de observação da Terra.