Beyond Binary Rooftop Mapping: A Four-Class Deep Learning Framework for Green Roof Potential Assessment from Open Swiss Geospatial Data

Resumo Técnico: Além do Mapeamento Binário de Telhados

Declaração do Problema
Estratégias eficazes de adaptação climática urbana requerem dados espaciais abrangentes sobre telhados para avaliar serviços ecossistêmicos, particularmente para mitigar o efeito de Ilha de Calor Urbana (ICU). Embora os telhados verdes sejam reconhecidos como uma solução vital, as pesquisas e conjuntos de dados existentes normalmente focam no mapeamento ou de telhados verdes atuais ou de locais de potencialidade de esverdeamento, mas raramente em ambos simultaneamente. Além disso, as abordagens atuais frequentemente dependem de imagens proprietárias, limitando a reprodutibilidade, ou falham em distinguir entre telhados verdes existentes, instalações solares, potenciais locais de esverdeamento e superfícies planas inadequadas. Existe uma lacuna crítica para um framework de código aberto, multiclasse, capaz de integrar restrições estruturais (como a inclinação) com análise espectral para fornecer avaliações de adequação de telhados em escala de toda a cidade.

Metodologia
O estudo propõe um framework de aprendizado profundo modificado baseado na arquitetura existente "Roofpedia", adaptada para realizar segmentação semântica de quatro classes. O fluxo de trabalho integra imagens aéreas de alta resolução com dados de Modelo Digital de Superfície (MDS) para impor restrições de viabilidade física.

• Fontes de Dados: O framework baseia-se inteiramente em conjuntos de dados abertos da Swisstopo:
  • SWISSIMAGE: Ortofotografias RGB de 10 cm de resolução.
  • swissSURFACE3D: MDS usado para calcular as inclinações dos telhados.
  • swissTLM3D: Pegadas (footprints) de edifícios vetoriais.
  • Nota: O estudo também testou o Mapbox e o SWISSIMAGE RS (que inclui Infravermelho Próximo - NIR), mas selecionou o SWISSIMAGE para a aplicação final em escala de cidade devido à sua disponibilidade total de código aberto e superior nitidez geométrica em comparação ao mais borrado SWISSIMAGE RS.
• Pré-processamento: Uma etapa de filtragem baseada em inclinação (usando Estatísticas Zonais do QGIS) exclui edifícios com uma inclinação média superior a 6,5 graus, retendo apenas estruturas de telhado plano adequadas para infraestrutura verde.
• Arquitetura do Modelo: Foi empregado um U-Net modificado com um backbone de codificador ResNet-50 (pré-treinado no ImageNet). O modelo classifica os telhados em quatro categorias distintas:
  1. Telhados Verdes Existentes: Atualmente vegetados.
  2. Potenciais Telhados Verdes: Superfícies planas e adequadas, atualmente sem vegetação.
  3. Telhados Solares: Superfícies ocupadas por painéis fotovoltaicos.
  4. Não Adequados: Superfícies planas onde o esverdeamento não é viável devido ao material ou uso alternativo.
• Atribuição de Rótulos: Duas estratégias foram avaliadas para atribuir uma única classe a uma pegada de edifício quando múltiplas classes são previstas dentro de seu limite:
  • Baseada em Prioridade: Solar > Potencial Verde > Verde > Não Adequado.
  • Baseada em Área: A classe com a maior proporção de área intersectada é atribuída.
• Avaliação: O modelo foi treinado e validado em 9.814 edifícios rotulados manualmente em Berna, Suíça. O desempenho foi medido através de Cross-Entropy Loss, mIoU (Intersecção sobre União média) e Acurácia Global (OA).

Principais Contribuições

1. Sistema de Classificação de Quatro Classes: O estudo introduz o primeiro modelo totalmente de código aberto capaz de distinguir simultaneamente telhados verdes existentes, telhados solares existentes, potenciais telhados verdes e superfícies planas não adequadas.
2. Integração de Restrições Estruturais: Ao contrário das abordagens puramente espectrais, este framework integra limiares de inclinação derivados de MDS para filtrar telhados fisicamente inadequados antes da classificação, garantindo que a categoria "Potencial Verde" reflita a viabilidade de instalação no mundo real.
3. Análise Comparativa de Fontes de Imagem: O artigo avalia sistematicamente três fontes de imagens aéreas (Mapbox, SWISSIMAGE e SWISSIMAGE RS) para a tarefa de quatro classes, concluindo que, embora as imagens RGB (Mapbox e SWISSIMAGE) tenham desempenho comparável no agregado, a adição de Infravermelho Próximo (SWISSIMAGE RS) não melhorou a pontuação de segmentação de quatro classes e sofreu com a redução da nitidez geométrica.
4. Reprodutibilidade de Código Aberto: Todo o fluxo de trabalho, desde o processamento de dados até o treinamento do modelo, é construído com ferramentas e dados de código aberto, tornando-o transferível para outras cidades suíças e globalmente.

Resultados

• Desempenho do Modelo: O modelo Roofpedia modificado alcançou um mIoU de treinamento de 0,86 e um mIoU de validação de 0,78 para as quatro classes.
• Comparação de Fontes de Imagem:
  • SWISSIMAGE (10 cm RGB): Alcançou 51% de acurácia ao nível do edifício. Demonstrou o melhor equilíbrio, com a menor taxa de detecção perdida (443 edifícios) e erros concentrados principalmente na classe "Potencial Verde" (confundindo verde existente com potencial verde).
  • Mapbox (~50 cm RGB): Alcançou 59,7% de acurácia ao nível do edifício, mas mostrou uma maior tendência de classificar erroneamente telhados "Não Adequados" como "Potencial Verde" devido à ambiguidade de textura em resoluções menores.
  • SWISSIMAGE RS (RGB + NIR): Teve desempenho significativamente inferior (15,2% de acurácia) devido à aparência borrada da imagem, o que degradou a detecção de características geométricas como painéis solares, apesar da utilidade da banda NIR para vegetação.
• Comparações de Linha de Base (Baseline): O modelo binário original do Roofpedia alcançou 77,5% de acurácia em sua classe única (Verde vs. Não-Verde), enquanto o modelo proj-vegroofs-DL (treinado para tipologia de vegetação) alcançou apenas 11% de acurácia quando mapeado para a tarefa de quatro classes. O modelo proposto de quatro classes, embora possua uma porcentagem de acurácia bruta menor que as linhas de base binárias, fornece um output significativamente mais rico e relevante para políticas públicas.
• Estudo de Caso em Berna: Aplicado à Cidade de Berna, o modelo identificou aproximadamente 9.898 edifícios de telhado plano (9,6% do estoque total). A escolha da estratégia de rotulagem impactou significativamente os resultados: a estratégia baseada em prioridade estimou 11,7% dos edifícios como Solares, enquanto a estratégia baseada em área estimou apenas 6,3%.

Significância e Alegações
O artigo afirma que este framework preenche uma grande lacuna metodológica ao fornecer uma ferramenta unificada, transparente e reproduzível para planejadores urbanos. Ao ir além do mapeamento binário "verde/não-verde", o estudo entrega informações baseadas em evidências necessárias para o planejamento coordenado de adaptação climática. Os autores enfatizam que a dependência de dados abertos da Swisstopo garante que o fluxo de trabalho seja acessível a cidades com recursos limitados e possa ser escalonado internacionalmente. Os resultados sugerem que Berna possui um potencial significativo não explorado para a expansão de telhados verdes, particularmente entre telhados planos atualmente classificados como "Não Adequados" ou "Potencial Verde", oferecendo uma base concreta para estratégias de mitigação de ICU. O estudo conclui que, embora o modelo não seja perfeito (evidenciado pela confusão entre telhados nus cobertos de musgo e telhados verdes, ou similaridades geométricas entre painéis solares e coberturas nervuradas), ele representa um avanço substancial na avaliação de telhados multiclasse acionável.