Watershed vs. Region Growing for Individual Tree Segmentation from Airborne LiDAR: An Urban Case Study in Bologna

Resumo Técnico: Watershed vs. Region Growing para Segmentação de Árvores Individuais em Bolonha

Definição do Problema
O artigo aborda o desafio de segmentar e caracterizar árvores urbanas altas e individuais em Bolonha, Itália, utilizando nuvens de pontos LiDAR aerotransportadas. Um obstáculo primário identificado é a falta de dados de verdade de campo (ground truth) confiáveis para validação. O catálogo de Dados Abertos municipal (Alberi in manutenzione) revela-se significativamente desatualizado (com registros datando de aproximadamente duas décadas), incompleto (faltando cerca de 50% das árvores detectadas pelo LiDAR em áreas amostradas) e inconsistente (contendo pontos geográficos onde não existem árvores). Consequentemente, a validação padrão contra os registros municipais existentes é considerada inadequada, necessitando de uma análise comparativa dos algoritmos de segmentação baseada em seus resultados estruturais, em vez de uma verdade de campo externa.

Metodologia
O estudo propõe um pipeline modular de ponta a ponta, partindo de nuvens de pontos LiDAR aerotransportadas pré-classificadas como "vegetação alta" usando um modelo de Random Forest. O núcleo da metodologia envolve a implementação e comparação de duas estratégias distintas de segmentação de árvores individuais (ITS):

1. Algoritmo Watershed (Bacia Hidrográfica):

   • Entrada: Um Modelo de Altura de Dossel (CHM) derivado pela subtração do Modelo Digital de Terreno (DTM) do Modelo Digital de Superfície (DSM) restrito aos pontos de vegetação.
   • Processo: O CHM é tratado como uma superfície topográfica. Máximos locais (copas das árvores) servem como pontos de semente para uma simulação de inundação. As linhas de watershed, que representam os limites onde a água de bacias adjacentes se encontra, delineiam as copas das árvores.
   • Saída: Limites de coroa poligonais 2D usados para filtrar espacialmente a nuvem de pontos 3D original.

2. Algoritmo Region Growing (Crescimento de Região):

   • Entrada: A nuvem de pontos LiDAR 3D classificada como vegetação alta.
   • Processo: Uma estratégia de atribuição iterativa ponto a ponto. Os pontos são ordenados por elevação em ordem decrescente. O ponto mais alto inicia uma nova árvore. Pontos subsequentes são atribuídos à árvore atual se satisfizerem critérios de proximidade e continuidade estrutural (por exemplo, situando-se abaixo de um ponto analisado anteriormente e herdando seu rótulo, ou formando uma estrutura semelhante a um ramo próximo ao topo da árvore atual). Se um ponto não se encaixa, ele permanece não atribuído para a próxima passagem.
   • Saída: Clusters de pontos 3D atribuídos a árvores específicas, sem a necessidade de reconstrução adicional de um limite de polígono 2D.

Contribuições Principais e Resultados
O estudo analisa 12 blocos espaciais cobrindo o distrito de Talea (Montagnola, Via Indipendenza, área da Stazione Centrale) para comparar o desempenho de ambos os métodos:

• Contagens de Segmentação e Distribuição de Altura:

  • Watershed: Detectou 7.589 árvores. A distribuição é dominada por árvores baixas, com um pico de altura em torno de 5 metros. Os autores atribuem isso ao suavizamento do CHM, que pode fragmentar dosséis contínuos em múltiplos máximos locais, levando à sobre-segmentação.
  • Region Growing: Detectou 6.432 árvores. Este método retém os retornos LiDAR mais altos, identificando com sucesso indivíduos que excedem 40 metros de altura. Ele evita a fragmentação artificial de árvores altas observada na abordagem watershed porque opera diretamente nos pontos 3D sem uma etapa de suavização.
  • Concordância: Ambos os métodos concordam no número de árvores com mais de 10 metros de altura e no pico da distribuição do raio da coroa (2–3 metros). As discrepâncias concentram-se na extremidade inferior da distribuição de altura.

• Validação de Dados:

  • Uma comparação com o conjunto de dados municipal Alberi in manutenzione revelou que aproximadamente metade das árvores detectadas pelo LiDAR estava ausente do catálogo, enquanto alguns pontos catalogados correspondiam a locais sem árvores. Isso confirma a inadequação do conjunto de dados como referência de verdade de campo para treinamento ou avaliação de algoritmos de ITS.

• Indicadores de Vegetação:
  Utilizando as árvores segmentadas (especificamente a saída do watershed, que fornece polígonos prontos para atribuição de espécie), os autores computaram dois indicadores preliminares:

  1. Armazenamento de Carbono: Biomassa Acima do Solo (AGB) estimada usando um modelo alométrico ($AGB = \alpha \cdot [H \cdot \ln(\pi R^2)]^\beta$) baseado na altura da árvore ($H$) e no raio da coroa ($R$). O carbono foi derivado usando coeficientes padrão do IPCC. Os autores observam que esta é uma aproximação de primeira ordem devido ao uso de coeficientes calibrados em plantações de Metasequoia (dawn redwood) em vez da floresta urbana de folhosas de Bolonha.
  2. Potencial Alergênico: Produção anual de pólen estimada ($P = D \cdot V_{crown} \cdot E$) usando coeficientes de inflorescência específicos da espécie. O volume da coroa foi aproximado como um esferoide com uma razão de profundidade de coroa fixa ($L = H/2$), uma suposição conservadora dada a incapacidade do LiDAR aerotransportado de detectar a base da coroa em dosséis urbanos densos.

• Visualização:
  Todos os resultados, incluindo metadados (espécie, altura, raio da coroa, carbono, pólen), foram integrados em um mapa interativo por árvore usando a biblioteca folium.

Significância e Alegações
O artigo posiciona-se como um trabalho fundamental em vez de uma solução definitiva, reconhecendo explicitamente as limitações na validação e calibração de parâmetros. Sua significância reside em:

1. Demonstração de um Pipeline Escalável: Fornece um framework modular que pode ser recalibrado conforme melhores classificações, dados de campo ou tecnologias de sensoriamento (ex: LiDAR terrestre) tornem-se disponíveis.
2. Destaque de Lacunas de Dados: Documenta rigorosamente a inadequação dos atuais Dados Abertos municipais para a gestão da arborização urbana, defendendo o uso periódico de LiDAR aerotransportado para atualizar inventários relativos à presença, altura e extensão da coroa das árvores.
3. Comparação Algorítmica: Oferece uma comparação prática das técnicas de watershed e region growing em um contexto urbano, observando que, embora o watershed seja computacionalmente leve e forneça polígonos 2D, o region growing preserva melhor a estrutura vertical de árvores altas.
4. Indicadores Preliminares: Estabelece a viabilidade de derivar indicadores ecológicos (carbono e pólen) a partir de dados LiDAR, servindo de base para futuras estratégias municipais de áreas verdes mais refinadas.

Os autores concluem que o pipeline foi desenhado para evoluir junto com as prioridades estratégicas municipais, com trabalhos futuros focados em melhorar os controles de estrutura de ramos no region growing, construir conjuntos de dados de referência curados via campanhas de campo e refinar os indicadores baseados em calibrações específicas de espécies.